通過計算方法發現卓越的分子解決方案對于創新技術及其在解決緊迫的資源、健康和環境問題中的作用至關重要。盡管時間跨度很短，但深度學習在逆向分子設計中的協同應用已經超過了數十年的理論努力，有望改變當前的分子設計范式。

在此，美國康奈爾大學尤峰崎教授等人概述了計算逆向分子設計的要素，并就當前的局限性和突出的挑戰提出了看法。原則上，逆向分子設計可以分解為三個部分，每個部分都體現了一種決策或建模方法，包括選擇合適的分子表示、相關的屬性數據和模型及用于搜索候選分子的設計方法。

首先，作者根據圖神經網絡（GNN）和卷積神經網絡（CNN）在表達圖形和3D網格方面的發展，討論了超越二維分子表示的局限性。作者還分析了用知識圖譜（KG）來豐富這種表示，以納入化學中現有的信息和明確的關系。

其次，鑒于屬性數據的缺乏，作者研究了化學文本挖掘和量子化學計算，并以實驗數據和計算數據補充現有數據集。此外，遷移學習被認為是一種利用相關屬性模式并跨這些模式遷移內隱知識的策略，從而增加當前屬性數據和預測模型的大小和準確性。

圖1. 改善當前分子表示的三種有希望的途徑

最后，作者強調了生成模型和強化學習（RL）的優點、缺陷和進步，以改進表示學習并更好地管理集成其他設計考慮的復雜性。此外，作者還指出了使用主動學習（AL）以降低分子設計中實驗和計算操作的成本的必要性。這些深度學習方法不僅優化了計算成本，而且優化了實驗和仿真工作。

更重要的是，幾何感知方法、符號表示和推理及不確定性估計方面的新興深度學習進展也很好地促進了逆向分子設計。同時，領域知識和協作解決問題對于促進逆向分子設計的變革性進展至關重要?？傊@項研究提出的討論旨在促進通用逆向設計框架的進展和跨學科合作，并為變革性和有影響力的成果提供了有希望的方向。

圖2. 深度學習輔助逆向分子設計的最新發展

Deep learning to catalyze inverse molecular design, Chemical Engineering Journal 2022. DOI: 10.1016/j.cej.2022.136669