综述：AI驱动的分子生成与生物活性预测：结合VAE、图神经网络和语言模型的多模型方法

这篇综述创新性地整合了变分自编码器（VAE）、图神经网络（GNNs）和预训练语言模型（ChemBERTa），构建多模型框架用于抗癌小分子生成与生物活性（GI50%）预测。通过堆叠（stacking）集成策略，模型在乳腺癌细胞系数据集上实现皮尔逊相关系数达83%，显著加速药物发现流程并降低研发成本。

　　

Abstract

癌症作为全球主要死因之一，传统药物研发需耗时10-15年且成本超26亿美元。本研究提出融合深度学习（DL）的多模型框架：首先通过变分自编码器（VAE）生成类药分子，继而采用图注意力网络（GAT）、图卷积网络（GCN）、消息传递神经网络（MPNN）和ChemBERTa构建元模型，预测分子对6种乳腺癌细胞系的生长抑制率（GI₅₀%）。实验显示堆叠集成法使皮尔逊相关系数提升至83%，显著优于现有方法。

Introduction

药物设计面临结构多样性不足与生物互作复杂性双重挑战。本研究突破性地将VAE与GNN架构（GCN/MPNN）结合，利用ChemBERTa的注意力机制解析分子语义特征。GI₅₀作为关键指标，量化化合物抑制癌细胞增殖效能，为模型优化提供明确方向。

Related-work

传统高通量筛选存在耗时长、毒性检出率低等缺陷。本研究通过VAE探索化学空间生成新颖结构，同时采用GAT捕捉分子图数据中的拓扑关系，弥补了波兰丘克（Polishchuk）等人提出的骨架局限性问题。

Data preparation

基于Al-Jarf等发布的18,369个化合物数据集（含8,565活性分子），模型聚焦乳腺癌细胞系，通过SMILES编码与图结构表征实现多模态输入。数据清洗保留关键分子描述符如logP和氢键供体数。

Results

1. 单模型性能：GCN在MAE（0.41）和RMSE（0.58）表现最优，而ChemBERTa在迁移学习场景下R²达0.79。
2. 集成优势：堆叠策略使皮尔逊系数较平均法提升7%，MPNN对芳香环结构的敏感性贡献显著。
3. 分子生成：VAE产出分子中38%满足Lipinski五规则，17%与已知抗癌药结构相似度>0.85。

Conclusion

该框架证实多模型协同可提升生物活性预测精度，尤其GNN对分子键长（±0.1?）和官能团空间分布的建模能力突出。未来方向包括扩展至PD-1/PD-L1等免疫检查点靶点研究。

CRediT authorship contribution statement

Latefa Oulladji主导了模型构建与验证工作，采用PyTorch Geometric实现GNN模块，RDKit完成分子标准化。

Declaration of competing interest

作者声明无利益冲突，研究未接受商业机构资助。