Mitigating Synthesisability Loss in 3D Generative Models

本项目旨在通过研究结构新颖性和复杂性如何影响分子在实验室中的实际可合成性，从而改进人工智能设计新型3D分子的方式。尽管现代AI模型能够生成创新的分子结构，但它们常常产生过于困难甚至无法合成的分子，限制了其在现实世界中的应用。本研究将利用先进的3D生成模型以及来自剑桥结构数据库（CSD）等来源的高质量数据，来量化这一“可合成性差距”。同时，还将开发新方法——利用来自IsoStar和SuperStar等数据库的化学约束条件——引导AI生成既新颖又具备实际可合成性的分子。研究成果将在重要生物靶标上进行测试，例如与hERG及被忽视的热带疾病相关的靶标，并有望与葛兰素史克（GSK）合作开展实验验证。目标是构建一个更智能的AI框架，在创新性与可行性之间实现平衡，助力弥合数字设计与现实药物发现之间的鸿沟。该博士研究机会隶属于利物浦大学EPSRC数字与自动化材料化学博士培训中心的综合性培养计划，致力于培养未来科学领军人才在化学、人工智能与自动化领域的跨学科能力。