化学符号系统SELFIES

casjxm

一、背景与动机

​问题：SMILES的局限性​
传统分子表示方法SMILES（Simplified Molecular Input LineEntry System）在生成式模型（如VAE、GAN）中面临核心问题：

• ​高无效率​：随机突变或模型生成的SMILES字符串常违反化学规则（如价键约束、括号不匹配），文献中单次突变的无效率超90%（图3实验）。
• ​阻碍模型应用​：无效分子导致化学空间探索效率低下，影响逆分子设计任务的可行性。
  

​解决方案：SELFIES​
提出SELFIES（SELF-referencIng Embedded Strings），一种100%鲁棒的分子字符串表示法：

• ​核心特性​：任意SELFIES字符串均对应有效分子，且可描述所有分子。
• ​兼容性​：无需修改机器学习模型架构即可直接输入。
  

二、技术原理：形式化语法与鲁棒性保障

1. ​形式化语法框架​

SELFIES基于上下文无关文法​（ChomskyType-2），定义规则表：

• ​规则向量（Rule Vectors）​​：每个符号对应**义操作（原子添加、分支、成环）。
• ​状态机制（Derivation States）​​：状态     Xn约束后续原子的最大价键数（如     X4X_4X4​ 允许4个键）。
  

2. ​自引用函数​

• ​分支（Branch）​​：B(N, X_i) 生成含 N 符号的子图，从状态     Xi推导。
• ​成环（Ring）​​：R(N) 连接当前原子与第     (N+1)个前驱原子，自动验证价键有效性。
  

3. ​100%有效性证明​

• ​本地化约束​：每个符号的推导依赖当前状态，强制满足价键规则（例：[F][=C][=C][#N] → F-C=C=N）。
• ​环验证​：仅在目标原子价键未饱和时生成环，避免无效连接。
  

三、生成模型性能验证

1. ​变分自编码器（VAE）​​

• ​潜空间有效性​：SMILES仅小部分潜空间对应有效分子，SELFIES整个潜空间有效。
• ​分子多样性​：SELFIES潜空间包含超100倍的独特分子。
  

2. ​生成对抗网络（GAN）​​

• ​多样性对比​：SELFIES生成78.9%独特有效分子，SMILES仅18.6%。
  

四、扩展性与跨领域应用

1. ​化学空间覆盖​

• 支持离子、立体化学、超大分子（如PubChem中7200万分子，SMILES长度＜500字符）。
• GitHub提供扩展规则库（如环/分支原子数≤8000）。
  

2. ​跨学科适用性​

• ​量子光学实验​：成功描述多光子纠缠实验配置，证明框架可迁移至其他约束图结构领域。
  

五、标准化与未来方向

• ​标准化工作坊​：计划扩展至全周期表、立体化学标识，采用Unicode符号提升可读性。
• ​科学解释性​：100%有效性支持对生成模型内部机制的化学解释（如潜空间结构分析）。
  

​文献结论​：SELFIES解决了SMILES在逆分子设计中的根本缺陷，为AI驱动的材料发现提供可靠基础。

引用：

Krenn, M., Häse, F., Nigam, A., Friederich,P., and Aspuru-Guzik, A. (2020). Self-referencing embedded strings (SELFIES): A100% robust molecular string representation. Mach. Learn.: Sci. Technol. 1,045024. 10.1088/2632-2153/aba947.