MolEvolve：LLM 引导的可解释分子优化的进化搜索

尽管深度学习在化学领域取得了成功，但其影响力因缺乏可解释性和无法解决活动悬崖而受到阻碍，其中微小的结构细微差别会引发剧烈的性质变化。当前的表示学习受相似性原则的约束，通常无法捕获这些结构活动的不连续性。为了解决这个问题，我们引入了 MolEvolve，这是一个进化框架，它将分子发现重新表述为一个自主的、前瞻性的规划问题。与依赖于人工设计特征或严格先验知识的传统方法不同，MolEvolve 利用 大语言模型 (LLM) 积极探索和发展可执行化学符号操作库。通过利用 LLM 进行冷启动，并利用蒙特卡罗树搜索 (MCTS) 引擎通过外部工具（例如 RDKit）进行测试时间规划，系统可以自主发现最佳轨迹。这个过程演化出透明的推理链，将复杂的结构转变转化为可操作的、人类可读的化学见解。实验结果表明，MolEvolve 的自主搜索不仅发展出透明的、人类可读的化学见解，而且在性质预测和分子优化任务方面都优于基线。