开发新型分子化合物对于解决药物研发、可持续材料开发等领域的紧迫挑战至关重要。但由于潜在分子的搜索空间极其庞大，发掘具有实用价值的新型分子难度极高。
在发表于《自然·机器智能》（Nature Machine Intelligence）的题为《面向真实合成分子生成的协作约束图扩散模型》的最新论文中，罗维拉·依·威尔吉利大学（URV）的研究人员开发出了一款可保证生成分子符合化学规则的人工智能工具。这款名为CoCoGraph的模型运行原理与ChatGPT、Dall-E等文本或图像生成类生成式AI工具类似。
“这类通用生成模型可创造出与真实样本高度相似的新内容，我们的算法遵循相同逻辑，但生成对象为分子。”URV化学工程系ICREA研究教授、本研究共同通讯作者Roger Guimerà博士介绍道。他解释称，理论上可能存在的化学分子变体数量可达10⁶⁰之多，远超海洋中水分子的总数量。
CoCoGraph采用了图像生成领域常用的扩散模型技术，该技术通过逐步“打乱”真实分子的结构，训练系统学习分子结构的重建方法。
URV化学工程系教授、本研究共同通讯作者Marta Sales-Pardo博士解释称，该模型以真实分子为起点，断开化学键后随机生成新的连接，随后模型学习逆转这一过程，重建出结构连贯的分子。
值得注意的是，CoCoGraph直接内嵌了基础化学规则（如维持正确的成键数量），可保证生成的分子具备化学有效性。同时该系统效率更高、参数量更小、所需算力更低，分子生成速度更快。
研究团队将CoCoGraph与其他前沿模型的性能进行了对比，分析了溶解度、结构复杂度等36项理化性质。在三分之二的评估属性中，CoCoGraph生成的分子相比其他模型的输出结果，化学真实性更高。
尽管该模型目前还无法设计具备特定功能的分子，但研究人员已经识别出了与药物对乙酰氨基酚（paracetamol）性质相似的分子。团队还探索了对现有分子进行部分修饰以生成具有相似特征的新变体的技术，该技术可用于药物优化或新型材料开发。
下一步研究将聚焦于设计具备溶解度高、低毒性等特定属性的分子。如果该目标得以实现，这项技术可在这片几乎尚未被探索的化学宇宙中，加速药理学和材料科学领域新解决方案的发现进程。