编辑 | KX

生成式深度学习正在重塑药物设计。化学语言模型 (CLM) 以分子串的形式生成分子，对这一过程尤为重要。

近日，来自荷兰埃因霍芬理工大学（Eindhoven University of Technology）的研究人员将一种最新的深度学习架构（S4）引入到从头药物设计中。

结构化状态空间序列（Structured State Space Sequence，S4）模型在学习序列的全局属性方面表现卓越，那么 S4 能否推进从头设计的化学语言建模？

为了给出答案，研究人员系统地在一系列药物发现任务上对 S4 与最先进的 CLM 进行了基准测试，例如生物活性化合物的鉴定以及类药物分子和天然产物的设计。S4 在学习复杂分子特性的同时，还具有探索多种支架的优越能力。

最后，当前瞻性地应用于激酶抑制时，S4 设计的 10 个分子中有 8 个被分子动力学模拟预测为高活性。

总而言之，S4 在化学语言建模中极具潜力，尤其是在捕捉生物活性和复杂分子性质方面。这是首次将状态空间模型应用于分子任务。

相关研究以「Chemical language modeling with structured state space sequence models」为题，于 7 月 22 日发布在《Nature Communications》上。

论文链接：https://www.nature.com/articles/s41467-024-50469-9

从头开始设计具有所需特性的分子是一个「大海捞针」的问题。化学宇宙包含多达 10^60 个小分子，在相当大的程度上仍处于未知状态。

生成式深度学习无需手工设计规则即可生产所需的分子，从而以省时、低成本的方式探索化学宇宙。特别是，CLM 已经产生了经过实验验证的生物活性设计，并作为强大的分子发生器脱颖而出。

CLM 采用为序列处理开发的算法来学习「化学语言」，即如何生成化学有效（语法）并具有所需特性（语义）的分子。这是通过将分子结构表示为字符串符号来实现的，例如简化分子输入行输入系统 (SMILES) 等。然后，这些分子字符串用于模型训练，并随后以文本形式生成分子。

图示：化学语言建模的结构化状态空间序列（S4）模型的关键概念。（来源：论文）

几种用于从头设计的 CLM 架构，其中最受欢迎的是长短期记忆 (LSTM) 模型和 Transformer 架构。

结构化状态空间序列模型 (S4) 是状态空间架构家族中快速发展的新成员，其在深度学习社区中越来越受到关注。S4 在音频、图像和文本生成中表现出色，并且具有「双重性质」：它们 (1) 在整个输入序列上进行训练以学习复杂的全局属性，(2) 一次生成一个字符串元素，从而结合了 Transformer 和 LSTM 各自的一些优势。受这种「两全其美」的启发，研究人员在此提出以下问题：S4 能否推动化学语言建模的最新发展？

在该研究中，研究人员将 S4 应用于 SMILES 字符串上的化学语言建模，并针对与药物设计相关的各种任务对其进行基准测试，从学习生物活性到化学空间探索和天然产物设计。

类药物分子和天然产物设计

研究人员在一系列药物发现任务上对 S4 与最先进的 CLM 进行了基准测试，例如类药物分子和天然产物的设计。

首先，对 S4 进行了分析，以了解其设计从 ChEMBL 数据库中提取的类药物小分子（SMILES 长度低于 100 个 tokens）的能力。

所有 CLM 均生成了超过 91% 的有效分子、91% 的独特分子和 81% 的新分子。S4 通过生成比基准更多的新分子（大约 4000 到 12,000 多个）来设计最有效、最独特和最新颖的分子，并显示出良好的学习 SMILES 字符串「化学语法」的能力。与现有的从头设计方法相比，S4 的潜力在 MOSES 基准上得到了进一步证实，其中 S4 始终位列表现最好的深度学习方法之列。

S4 还针对比类药物分子更具挑战性的分子实体进行了进一步测试。为此，研究人员评估了其设计天然产物 (NPs) 的能力。与合成小分子相比，NPs 往往具有更复杂的分子结构和环系统，以及更大比例的 sp3 杂化碳原子和手性中心。这些特征对应于平均更长的 SMILES 序列，具有更多的长程依赖性，并使天然产物成为 CLM 的具有挑战性的测试用例。

所有 CLM 都可以设计天然产物，但与类药物分子相比，其性能较低。S4 设计的有效分子数量最多，比 S4 多出约 6000 到 12,000 个分子（好 7-13%），而 LSTM 的新颖性最高，比 S4 多出约 2000 个分子（2%）。

最后，还分析了增加 SMILES 长度时 CLM 架构的训练和生成速度，以测试它们在设计更大分子（如天然产物）时的实际适用性。分析强调，由于其双重性，S4 在训练过程中与 GPT 一样快（两者都比 LSTM 快约 1.3 倍），并且在生成方面最快。这进一步主张引入 S4 作为分子设计的有效方法，与 GPT 和 LSTM 相比，「兼具两全其美」。

前瞻性从头设计

研究人员使用 S4 进行了一项前瞻性计算机模拟研究，重点是设计丝裂原活化蛋白激酶 1 (MAPK1) 的抑制剂，这是肿瘤治疗的相关靶点。然后通过分子动力学 (MD) 评估设计的假定生物活性。

图示：使用 S4 进行假定 MAPK1 抑制剂的前瞻性从头设计。（来源：论文）

S4 模型经过微调，然后使用微调模型的最后五个 epochs 生成 256K 个分子。通过对数似然得分和与训练集的支架相似性对设计进行排序和筛选，10 个得分最高的分子使用 MD 模拟进行进一步表征。

通过 MD 预测，10 个设计中有 8 个对预期目标具有生物活性，并且预测亲和力与最接近的微调分子相当或更高，这些结果进一步证实了 S4 用于从头药物设计的潜力。

分子 S4 的机会

总之，本研究率先将状态空间模型引入化学语言建模，重点关注结构化状态空间 (S4)。S4 独特的双重性质，包括训练中的卷积和循环生成，使其特别适合从 SMILES 字符串开始的从头设计。

研究人员在各种药物发现任务上与 GPT 和 LSTM 进行了系统比较，揭示了 S4 的优势：虽然循环生成 (LSTM 和 S4) 在学习化学语法和探索各种支架方面更胜一筹，但对整个 SMILES 序列进行整体学习 (GPT 和 S4) 在捕捉某些复杂特性（如生物活性）方面表现出色。

S4 具有双重性质，「兼具两全其美」：它在设计有效且多样化的分子方面与 LSTM 表现相当或更好，并且在捕捉复杂分子性质方面系统性地优于基准，同时保持计算效率。

S4 在 MAPK1 抑制中的应用已通过 MD 模拟得到验证，这进一步展示了其设计强效生物活性分子的潜力。未来，研究人员将前瞻性地将 S4 与湿实验室实验相结合，以增强其在该领域的影响。

S4 在分子科学领域还有许多方面有待探索，例如其在更长序列（例如大环肽和蛋白质序列）和其他分子任务（例如有机反应规划和基于结构的药物设计 中的潜力。

未来，S4 在分子发现中的应用将不断增加，并有可能取代 LSTM 和 GPT 等广泛应用的化学语言模型。