编者按

2023年12月5日，北京大学药学院天然药物及仿生药物全国重点实验室张亮仁教授/刘振明研究员团队在Nature Machine Intelligence上在线发表了题为“Bridging the gap between chemical reaction pretraining and conditional molecule generation with a unified model” 的研究论文，针对化学反应表征和可合成的分子生成方法提出了通用的深度学习框架。

深度学习模型在科学研究中得到广泛应用，尤其在有限标注数据场景下，大规模预训练框架（例如ESM）促进了新任务的无缝整合，加速了建模过程。

化学反应是药物设计和有机化学研究的基本单位。近年来，数据挖掘的应用使深度学习模型能够处理化学反应。然而，现有方法在表示学习中忽略了有机化学的基本理论，例如电子效应和空间效应。该研究工作提出了一个通用的框架，结合了反应表示学习和分子生成任务，通过新的预训练方法，充分利用了有机化学机制，取得了在挑战性下游化学反应分类上的先进结果。

除了反应分类任务，基于化学反应的分子生成是一个重要应用。早期工作采用基于模板的分子生成策略，但这限制了可访问的化学空间。该研究工作提出和发展的方法不仅能生成合成可及的高质量分子，而且克服了传统模板方法的局限性，使药物研究者能够更灵活地编辑给定结构，尤其在药物设计的关键阶段。这一创新使药物发现能够聚焦于更广泛的化学空间，为大规模深度学习框架在化学反应相关领域的应用做出了创新性贡献。

文章相关信息

该论文第一作者为北京大学药学院2018级长学制硕士生强博，通讯作者为刘振明研究员，张亮仁教授、宋颂研究员指导了该研究工作的开展，课题组周一然博士、丁宇恒、刘凝丰同学合作参与了该项研究。该项目得到了国家重点研发计划项目、国家自然科学基金、北京市AI健康培育项目和北大医学-望石智慧协同创新联合实验室的资助。

论文链接：

https://www.nature.com/articles/s42256-023-00764-9

来源：北京大学药学院

转自：“北大科研”微信公众号

如有侵权，请联系本站删除！