Dans une étape majeure vers une conception moléculaire assistée par AI plus fiable, des chercheurs de l'Université nationale de Taïwan ont démontré que l'intégration de la quantification de l'incertitude (UQ) dans les modèles de réseau neuronal graphique (GNN) améliore considérablement à la fois l'efficacité et la robustesse de l'optimisation moléculaire.
Leurs résultats, publiés dans Communications de la natureFournissez des informations pratiques sur la façon dont les modèles conscients de l'incertitude peuvent être intégrés dans les flux de travail de conception moléculaire assistée par calcul (CAMD) pour améliorer la prise de décision dans les matériaux et la découverte de médicaments.
La recherche examine systématiquement si le message dirigé par UQ amélioré par UQ passant de réseaux neuronaux (D-MPNN) peut guider efficacement l'optimisation à travers de larges espaces chimiques ouverts, où les limites des modèles d'apprentissage automatique conventionnelles deviennent souvent apparentes.
Ces domaines ouverts sont courants dans les applications du monde réel mais notoirement difficiles à naviguer en raison du manque de prédictions fiables pour les molécules qui se trouvent en dehors de la distribution des données de formation.
Pour y remédier, l'équipe a couplé les D-MPNN avec des algorithmes génétiques, permettant une optimisation moléculaire flexible et sans bibliothèque. Ils ont évalué de multiples stratégies d'optimisation consciente de l'incertitude à travers 16 tâches de référence diverses des plateformes Tartare et Guacamol.
Ces tâches reflètent des défis clés de l'électronique organique, de l'ingénierie des réactions et du développement de médicaments, y compris des scénarios multi-objectifs qui nécessitent un équilibre entre les compromis entre les propriétés moléculaires concurrentes.
Parmi les stratégies testées, l'optimisation de l'amélioration probabiliste (PIO) a systématiquement donné des performances supérieures. En tirant parti de l'UQ pour estimer la probabilité qu'une molécule candidate atteigne les seuils de conception, PIO évite efficacement des extrapolations peu fiables et oriente la recherche vers des régions chimiquement prometteuses.
« La conception chimique nécessite souvent de trouver un équilibre entre plusieurs objectifs concurrents dans des espaces de recherche vastes et incertains.
Ces travaux fournissent une base robuste pour la découverte moléculaire incertaine de l'incertitude, ouvrant la voie à une IA plus fiable et économe en données dans la chimie et la science des matériaux.
