模拟3D分子编辑，北大高毅勤团队开发整合物理信息和偏好对齐的MolEdit，登Nature子刊

本文介绍了北京大学高毅勤团队开发的MolEdit，一种整合物理信息和偏好对齐的生成式人工智能模型，用于3D分子编辑。研究背景是计算机辅助药物和材料设计中，生成具有特定特性的分子结构是一项关键任务，但现有方法受限于物理和化学原理的严格限制。研究目的是通过理论指导弥合图像生成式人工智能和分子生成式人工智能之间的方法论差距，实现对3D分子生成基础模型的预训练。MolEdit通过简单且与模型无关的训练协议，克服了对称性、稳定性和熵带来的挑战，并应用基于物理的策略使模型遵循物理定律并与上下文偏好保持一致。研究结论表明，MolEdit能够生成具有全面对称性的有效分子，在构型稳定性和构象多样性之间取得更好的平衡，并支持复杂三维结构的生成。此外，MolEdit适用于零样本先导化合物优化和连接子设计，并遵循上下文和几何规范。