LLM与药物探索相结合，NVIDIA、Mila、Caltech合作发布了多模态分子结构-文本模型
作者|刘圣超编辑|凯霞从2021年开始，大语言和多模态的结合席卷了机器学习科研界。随着大模型和多模态应用的发展，我们是否可以将这些技术应用于药物发现呢？而且，这些自然语言的文本描述是否可以为这个具有挑战性的问题带来新的视角呢？答案是肯定的，并且我们对此持乐观态度近日，加拿大蒙特利尔学习算法研究院（Mila）、NVIDIAResearch、伊利诺伊大学厄巴纳－香槟分校（UIUC）、普林斯顿大学和加州理工学院的研究团队，通过对比学习策略共同学习分子的化学结构和文本描述，提出了一种多模态分子结构-文本模型Mol
作者 | 刘圣超
编辑 | 凯霞
从2021年开始，大语言和多模态的结合席卷了机器学习科研界。
随着大模型和多模态应用的发展，我们是否可以将这些技术应用于药物发现呢？而且，这些自然语言的文本描述是否可以为这个具有挑战性的问题带来新的视角呢？答案是肯定的，并且我们对此持乐观态度
近日，加拿大蒙特利尔学习算法研究院（Mila）、NVIDIA Research、伊利诺伊大学厄巴纳－香槟分校（UIUC）、普林斯顿大学和加州理工学院的研究团队，通过对比学习策略共同学习分子的化学结构和文本描述，提出了一种多模态分子结构-文本模型 MoleculeSTM。
该研究以为题《Multi-modal molecule structure–text model for text-based retrieval and editing》为题，于 2023 年 12 月 18 日发表在《Nature Machine Intelligence》上。
论文链接：https://www.nature.com/articles/s42256-023-00759-6需要进行重写
其中刘圣超博士是第一作者，NVIDIA Research 的 Anima Anandkumar 教授为通讯作者。聂维梨、王程鹏、卢家睿、乔卓然、刘玲、唐建和肖超玮为共同作者。
该项目是刘圣超博士在2022年3月加入 NVIDIA Research 之后，在聂维梨老师、唐建老师、肖超玮老师和 Anima Anandkumar 老师的指导下进行的。
刘圣超博士表示：「我们的动机就是对LLM和药物发现进行初步的探索，并最终提出了MoleculeSTM。」
用于对接的文本是为了引导分子编辑而设计的
MoleculeSTM的核心思路非常简单直接，即分子的描述可分为内部化学结构和外部功能描述两大类。而我们在这里采用了对比预训练的方法，将这两种类型的信息进行对齐和联系。具体示意如下图所示
图示：MoleculeSTM的流程图。
而MoleculeSTM的这个alignment有一个非常好的性质：当有一些任务在化学空间比较难以解决的时候，我们可以将其transfer到自然语言（natural language）空间。而且自然语言的任务会相对更容易解决，由于它的特性。并且基于此我们设计了种类丰富的下游任务来验证其有效性。下面我们围绕几个insight详细讨论。
自然语言和大语言模型的特性
在MoleculeSTM中，我们首次提出了一个问题。我们利用了自然语言的开放词汇和组合性特征
- Open vocabulary的意思是我们可以把现在人类知识都用自然语言表示，所以对于将来新出现的知识，也能用现有的语言进行归纳和总结。比如出现某种新的蛋白质，我们希望可以对它的功能进行自然语言描述。
- Compositionality的意思是在自然语言中，一个复杂的概念可以用几个简单的概念进行联合表述。这个对于类似多属性编辑的任务有很大的帮助：在化学空间要编辑分子同时符合多个特性非常困难，但是我们可以非常简单地用自然语言表达出来多种特性。
在我们最近的工作中ChatDrug (https://arxiv.org/abs/2305.18090)，我们探索了自然语言和大型语言模型之间的对话特性，对此感兴趣的朋友可以去看看
特性引出的任务设计指的是根据产品或系统的特性来规划和安排任务的设计
对于现有的language-image任务来说，它们可以被视为与艺术相关的任务，比如生成图片或文字。也就是说，它们的结果是多样且不确定的。然而，科学发现是科学问题，通常具有比较明确的结果，例如生成具有特定功能的小分子。这在任务设计上带来了更大的挑战
在MoleculeSTM中 (Appendix B)，我们提出了两个准则：
- 首先我们考虑的任务是能够进行计算模拟得到结果。将来会考虑能够有wet-lab验证的结果，但这并不在目前这个工作的考量范畴内。
- 其次我们只考虑有着模糊性结果的问题。具体例子比如让某个分子的水溶性或者穿透性变强。而有一些问题有明确结果，比如在分子的某一个位置加入某一个官能团，我们认为这类任务对于药物、化学专家来说更加简单直接。所以它可以将来当作某一个proof-of-concept任务，但是并不会成为主要的任务目标。
由此我们设计了三个大类任务：
- Zero-shot 结构文本检索；
- Zero-shot 基于文本的分子编辑；
- 分子性质预测。
我们会在接下来的部分重点介绍第二个任务
分子编辑的定性结果重新表述如下：
这个任务就是同时输入一个分子和自然语言描述(比如额外的属性)，然后希望能够输出复合语言文本描述的新的分子。这就是文本编辑优化（text-guided lead optimization）。
具体的方法就是利用已经训练好的分子生成模型和我们预训练好的MoleculeSTM，通过学习二者的潜在空间（latent space）的alignment，从而进行 latent space interpolation，再经过解码生成目标分子。流程示意图如下。
需进行重写的内容是：零样本文本引导的分子编辑的两阶段流程示意图
这里我们展示了几组分子编辑的定性结果重新表述如下：(其余下游任务的结果细节可以参考原论文)。主要我们考虑四类分子编辑任务：
- 单一属性编辑：对单一属性进行编辑，比如水溶性、穿透性、氢键施主与受主个数。
- 复合属性编辑：同时对多个属性进行编辑，比如水溶性和氢键施主个数。
- 药物相似性编辑：(Appendix D.5)是让输入分子与目标分子药物长得更加接近。
- 专利药物的邻居搜索：对于已经申请到专利的药物，往往会把中间过程的药物一起报道。我们这里就是那中间药物配合自然语言描述，看是否能够生成最终的目标药物。
- binding affinity编辑：我们选择几个ChEMBL assay作为靶点，目标是让输入分子和靶点有更高的结合亲和力。
结果展示：零样本文本引导的分子编辑。 (Note: This is a direct translation of the original sentence into Chinese.)
更有意思的是最后一类任务，我们发现MoleculeSTM的确能够在紧紧依靠对于靶蛋白的文字描述，而进行配体的配体 先导化合物优化。（注：这里的蛋白质结构信息都是在evaluation是才会知道。）
Postman是一套面向API全生命周期的开发与测试平台，可在Mac上发送和调试多种协议请求，管理集合、环境及认证信息，并完成脚本测试、模拟服务、监控、文档发布和团队协作。它适合开发、测试及运维人员使用，提供个人免费方案。
Docker Desktop 是 Docker 官方为 Mac 提供的容器开发环境，集成 Docker Engine、命令行工具、Compose、Build、Kubernetes 与图形化管理界面。
Android Studio 是 Google 面向安卓应用开发提供的官方集成开发环境，基于 IntelliJ IDEA 构建。它整合智能代码编辑、Gradle 构建、界面预览、设备模拟、性能分析、调试测试及 APK 分析等工具。
Xcode 是苹果面向 Mac 提供的官方集成开发环境，将代码编辑、项目构建、SwiftUI 实时预览、设备模拟、自动化测试、断点调试、性能分析和应用分发整合在同一套工作流中，适合开发与维护 iPhone、iPad、Mac、Apple Wa
JetBrains WebStorm 是面向 JavaScript、TypeScript 和现代 Web 技术的专业集成开发环境，可智能理解项目结构，提供代码补全、重构、错误检查、运行调试、测试及 Git 工具。
PhpStorm 是 JetBrains 推出的专业 PHP 集成开发环境，可在 Mac 上完成代码编写、智能检查、重构、调试、测试和数据库管理。它支持主流 PHP 框架、Composer、Git、Docker 与远程解释器。
JetBrains PyCharm 是面向 Python 开发者的集成开发环境，提供智能补全、代码检查、重构、调试、测试、版本控制及虚拟环境管理功能。Mac 版兼容 Intel 与 Apple 芯片，核心功能可免费使用。
IntelliJ IDEA 是 JetBrains 推出的专业集成开发环境，重点服务于 Java、Kotlin 与 JVM 项目开发。软件集成代码补全、静态检查、重构、调试、测试、版本控制及构建工具，并可借助插件扩展语言和框架支持。
Visual Studio Code 是微软提供的免费代码编辑器，支持 macOS，并为 Intel 与 Apple 芯片 Mac 提供适配版本。软件集代码编辑、调试、Git 源代码管理、集成终端和扩展市场于一体。
REAPER是Cockos开发的数字音频工作站，提供多轨音频与MIDI录制、剪辑、处理、混音和母带制作工具。Mac版兼容Intel与Apple芯片，支持AU、VST、VST3、CLAP等插件格式，并提供高度可定制的工作流程。
Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站，提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具，并可与 Adobe Premiere 协同完成视频声音制作。
Pro Tools 是 Avid 推出的专业数字音频工作站，覆盖多轨录音、无损剪辑、MIDI 编曲、插件处理、自动化混音及声音与画面同步等工作。它拥有 Intro、Artist、Studio 和 Ultimate 等方案。
PixPix 是面向品牌、卖家和内容团队的在线 AI 图片视频创作平台，提供图视频 Agent、无限画布、图片生成、视频生成、自然语言编辑及商品套图、产品精修和带货视频等电商工具。
Postman 是面向 API 全生命周期的开发与协作平台。Windows 桌面版可用于构建和发送 HTTP、GraphQL、gRPC、WebSocket、MQTT 等请求，并提供环境变量、集合、脚本测试、模拟服务、监控、文档及团队工作区等
Docker Desktop 为 Windows 开发者提供集成式容器环境，内置 Docker Engine、命令行工具、Compose、Build 与 Kubernetes 等组件，可在本机完成镜像构建、容器运行、日志查看和资源管理。
Android Studio 是 Google 面向 Android 应用开发提供的官方集成开发环境，以 IntelliJ IDEA 为基础，集成智能代码编辑、Gradle 构建、设备模拟、界面预览、调试测试及性能分析工具，
WebStorm 是 JetBrains 面向 JavaScript、TypeScript 和现代 Web 技术打造的集成开发环境。它提供项目级代码分析、智能补全、安全重构、导航搜索，并集成调试、测试、终端、Git 与常用前端工具，
PhpStorm 是 JetBrains 面向 PHP 与现代 Web 开发打造的专业集成开发环境，提供代码补全、静态检查、重构、调试、测试、数据库、版本控制及前端语言支持。Windows 用户可直接下载安装程序，
PyCharm 是 JetBrains 推出的 Python 集成开发环境，提供智能代码补全、错误检查、重构、调试、测试、Git、终端及 Jupyter Notebook 支持。统一版安装后可体验 30 天 Pro 功能，
JetBrains IntelliJ IDEA 是以 Java、Kotlin 和 JVM 项目为核心的专业集成开发环境，提供智能补全、代码检查、安全重构、调试、测试、版本控制及构建工具集成。统一发行版的核心功能可免费用于商业和非商业项目，
Visual Studio Code 是微软推出的免费代码编辑器，Windows 版集成智能补全、代码导航、调试、终端和版本控制，并可通过扩展添加语言、格式化及远程开发能力。它启动较快、配置灵活，
REAPER 是 Cockos 推出的数字音频工作站，适用于录音、MIDI 编曲、音频编辑、混音、母带制作及声音设计。软件安装包小巧，支持多轨录制、灵活路由、自动化、第三方插件和脚本扩展，并提供完整功能的 60 天免费评估期。
Adobe Audition 是面向播客、影视后期、广播与音乐制作的专业音频工作站，提供波形编辑、多轨混音、频谱分析、录音、降噪修复和效果处理等功能。Windows 版通过 Adobe Creative Cloud 安装和管理，
Pro Tools 是 Avid 推出的专业数字音频工作站，提供多轨录音、音频剪辑、MIDI编曲、插件处理、自动化混音及影视声音制作能力。它适合音乐人、录音师、制作人和音频后期团队使用，并提供免费入门版、订阅方案及永久授权选择。