寻找新的功能分子和材料，通常会因必须同时满足多个标准而变得复杂。生成式深度学习有可能加速分子和材料的发现，但化学空间中的无引导搜索效率极低，从根本上限制了通过高通量筛选探索结构的多样性，即便拥有无限的计算资源，生成分子仍然困难。

研究人员提出了一种可对功能性有机分子进行高通量引导搜索和设计的算法，该算法通过将预测分子三维构象的生成式深度学习模型与监督深度学习模型相结合，来预测具有最优特性的分子。通过筛选新生成的分子获得所需的电子特性，并使用选中的分子来重新训练具有偏差的生成模型，以实现分子特性的优化。

实验证明该方法可找到有机电子应用的最佳分子，且该算法具有普适性，无需在预测过程中进行量子化学计算，将有助于从高通量药物发现到有机电子分子设计的一系列应用。

信息来源：

https://mp.weixin.qq.com/s/So7FuvdFeIe5garIBuymKQ

https://www.nature.com/articles/s43588-022-00391-1