基于混合PSO-GA元启发式算法与SELFIES的免训练新分子设计框架

《Scientific Reports》：A hybrid metaheuristic algorithm for efficient de novo drug design using SELFIES and adaptive search strategies

　　

摘要

类药分子的发现是计算化学中的基本挑战，因为化学空间包含数量庞大的可能分子结构。尽管深度学习在新分子设计中取得了显著成功，但其对大规模训练数据集和高计算成本的依赖限制了其效率和实际应用性。本研究旨在通过整合群体智能、进化优化以及强大的SELF-referencIng Embedded Strings（SELFIES）分子表示，开发一种高效的免训练新分子设计框架。具体而言，我们提出了SIB-SOMO-SELFIES，一种结合粒子群优化（PSO）中"跟随最优解"搜索策略与遗传算法（GA）中交叉和变异机制的混合元启发式算法。所提出的框架通过SELFIES感知的变异算子、改进的MIX交叉策略、自适应概率更新、相似度惩罚以及互补的VARY和随机跳跃操作来增强分子优化，以平衡探索与利用。通过计算分子优化仿真进行评估，采用定量类药性估计（QED）作为优化目标，并与代表性SELFIES方法（包括SIB-SOMO、GA-D、SELFIES-VAE、SELFIES-LSTM-HC、SELFIES-REINVENT和Pasithea）进行基准测试。仿真结果表明，所提出的框架能够高效探索化学空间，同时保持快速收敛和高优化稳定性。所提出的算法通过以QED为目标函数的计算分子优化实验进行评估。结果表明，该混合PSO-GA框架能够高效探索分子搜索空间，并持续识别出具有高预测类药性的分子候选物（以QED评估）。该方法生成的分子QED分数超过0.948，同时保持了计算效率。这些结果支持了所提出的混合元启发式框架在新分子设计中的计算潜力，无需大规模模型训练；然而，所生成的候选物尚未通过实验合成或生物测定进行验证。