分子100%有效，从头设计配体，湖南大学提出基于片段的分子表征框架
内容提要
湖南大学研究团队提出了基于片段的多尺度分子表征框架t-SMILES，用于解决化学问题中的分子建模挑战。实验结果表明，t-SMILES模型优于基于SOTA SMILES的模型，能够生成有效且新颖的分子。该框架具有三种代码算法，可以避免过拟合并在低资源数据集上保持合理的相似性。t-SMILES模型能够捕捉分子的物理化学性质，并在目标导向任务中表现出优势。然而，t-SMILES的局限性和更复杂分子的实验仍需进一步研究。
延伸解读
t-SMILES 如何解决 SMILES 的化学无效问题
SMILES 作为线性表示法，易产生化学无效字符串，影响 AI 模型性能。t-SMILES 通过生成无环分子树并转换为全二叉树，再经广度优先遍历得到字符串，仅引入「&」和「^」两个新符号，编码多尺度和分层的分子拓扑。这种基于片段的表示理论上能支持广泛的子结构方案，只要生成化学上有效的片段并产生有效的无环分子树，从而生成 100% 理论有效的分子。
三种编码算法与多代码系统的灵活性
t-SMILES 包含 TSSA、TSDY 和 TSID 三种编码算法，分别处理共享原子、虚拟原子无 ID 和带 ID 与虚拟原子的情况。它们构成一个多代码系统，经典 SMILES 可作为特例 TS_Vanilla 集成。这种设计允许不同描述协作，提高综合性能，并在低资源数据集上避免过拟合，同时保持合理的相似性和更高的新颖性分数。
实验表现与目标导向任务的优势
在 ChEMBL 等数据集上的实验表明，t-SMILES 模型生成的新分子 100% 理论有效，优于基于 SOTA SMILES 的模型。与 SMILES、DSMILES 和 SELFIES 相比，t-SMILES 能避免过拟合，显著提升低资源数据集上的平衡性能。在 20 个目标导向任务中，具有目标导向重建算法的 t-SMILES 模型比 SOTA CReM 表现出明显优势，并能熟练捕捉分子的物理化学性质。
当前局限与未来研究方向
该研究未对更复杂的分子进行实验，这将是未来研究的主题。此外，语言模型如何超越表面统计相关性来学习分子的化学知识仍有待深入探索。未来研究可以利用 t-SMILES 探索其他碎片算法，更深入地解读化学句子和含义，并集中在属性、逆合成和反应预测任务上，探索分子重建和优化的高级算法、改进的生成模型和进化技术。
Q&A
t-SMILES框架的主要功能是什么？
t-SMILES框架用于解决分子建模挑战，能够生成有效且新颖的分子。
t-SMILES模型与SOTA SMILES模型相比有什么优势？
t-SMILES模型优于SOTA SMILES模型，能够生成100%理论有效且高度新颖的分子。
t-SMILES框架包含哪些算法？
t-SMILES框架包含三种算法：TSSA、TSDY和TSID。
t-SMILES如何避免过拟合？
t-SMILES通过其设计和算法在低资源数据集上保持合理的相似性，从而避免过拟合。
t-SMILES框架的局限性是什么？
t-SMILES的局限性在于尚未对更复杂的分子进行实验，未来研究需进一步探索。
未来的研究方向是什么？
未来研究可以探索更复杂的分子和高级算法，以提升分子描述的性能。
