用于分子发现的信息密集合成

arXiv:2610.08495v1 公告类型：交叉收录 摘要：机器学习可以通过设计分子和规划实验来加速分子发现。然而，许多科学挑战需要具有极其罕见性质的分子，而在这种稀疏情境下，现有算法相较于随机猜测几乎没有优势。我们提出了一种利用算法控制的随机合成来高效搜索分子空间中大范围区域的方法。我们不再逐一设计、制备和测试单个分子，而是设计并制备复杂混合物，将其作为一个整体进行测试，然后通过解卷积解析分子与活性之间的映射关系。我们对合成过程进行优化，以编码最大量的信息。从理论上讲，这种方法可以将从 $d$ 个候选分子中找到最优分子所需的实验次数从 $\mathcal{O}(d)$ 降至 $\mathcal{O}(\log d)$ 或 $\mathcal{O}(1)$。在基于估计的蛋白质适应度景观进行的模拟中，该方法找到活性分子所需的实验次数比现有贝叶斯优化方法少一个数量级。