能否将 SMILES 分解为可拼接的、有序的、具有逆合成意义的字符串块？

内容形式：摘要译文

深度学习模型生成的分子往往难以合成。通过自动化逆合成分析识别合成子，可以提高这些分子的合成可及性。然而，根据生成 SMILES 所采用的分子图遍历路径不同，SMILES 中的合成子可能分散在字符串的各处。我们测试了能否利用某个分子的所有可能 SMILES，生成由字符串片段（块）构成的、可拼接的有序序列，使这些片段与自动化逆合成分析得到的潜在合成子相匹配。我们发现，对分子的 SMILES 空间进行穷尽采样可以提高逆合成断键的覆盖率。对于 MOSES 数据集中的 190 万个分子，我们实现了以字符串形式对其中 85% 分子的逆合成键实现完全覆盖。由此，我们得以在一个使用 MolGPT 和蒙特卡洛树搜索（MCTS）的无条件从头药物设计测试案例中评估我们的块式 SMILES。我们发现，将块作为大型语言模型（LLM）的词元会因维数灾难而降低 MolGPT 的性能。不过，使用我们的分块算法选出的 SMILES，并采用默认的 SMILES 分词器，能够提高生成样本对理化性质的再现能力，同时改善唯一性、新颖性和有效性。在有效性和新颖性方面，MCTS 的表现优于我们的 MolGPT 模型。然而，与 MolGPT 生成的样本相比，MCTS 生成样本的理化性质与 MOSES 基线的差异更大，但其定量药物相似性估计（QED）的分布有所改善。

关键词：SMILES分块 · 逆合成分析 · 分子生成 · 分子语言模型 · 蒙特卡洛树搜索 · 从头药物设计

原文链接：https://www.biorxiv.org/content/10.64898/2026.08.25.747180v1?rss=1