反向分子设计方面涌现的新方法

在化学，物理，生物和材料科学中，分子设计是必不可少且无处不在的．然而，由极多候选分子组成的巨大空间需要新颖的优化方法去搜索，以便实现高效的分子设计．本文首先总结了分子设计领域内已发展成熟的优化算法，比如穷举算法、分支定界算法、蒙特卡罗类似算法及基因算法．通过若干有代表性的分子设计实例，我们介绍了上述算法的具体应用．其次，本文主要侧重于介绍最新发展的反向分子设计的策略，比如反向能带结构优化算法以及线性展开原子势场方法，并且对后者展开了详细阐述．线性展开原子势场方法选择了核电吸引势场做为优化变量，因为每个中性分子包含的原子类型和原子的空间位置均由此势场决定．本质上，核电吸引势场决定了分子以及分子的所有化学和物理性质．但是核电吸引势场本身不是一个任意的势场，它必须包含合理的分子结构信息．因此，此势场由原子的或者功能团的核电吸引势场做线性展开．通过优化线性展开系数，所感兴趣的分子性质得以最大化或者最小化，同时每个原子的或者功能团所对应的系数包含了最终分子的组成信息．基于密度泛函理论和一个简单的分子模型，我们成功地应用线性展开原子势场方法优化了分子的超极化率．然而，当所感兴趣的分子性质变得复杂或者线性展开中的功能团变得多样化，分子性质曲面也会包含更多的局部最优值．为了有效地搜索复杂的分子性质曲面，我们发展了梯度引导的蒙特卡罗算法．经典的蒙特卡罗算法每次随机地产生新的分子，而梯度引导的蒙特卡罗利用上述方法构造的分子性质曲面，首先计算当前分子所在处的局部梯度相对于所有官能团的展开系数，然后基于此梯度产生下一个分子，最后利用Metropolis规则接受或者拒绝新产生的分子．换句话说，梯度引导的蒙特卡罗算法是一个“半随机”的算法．我们首先应用梯度引导的蒙特卡罗算法，结合线性展开原子势场方法计算的局部梯度，优化了带有普林环的分子框架的超极化率．此外，对于任何一个可构造出分子性质曲面的全局优化问题，梯度引导的蒙特卡罗算法均可适用．比如，我们应用此算法优化了蛋白质的氨基酸序列并探讨了蛋白质的折叠问题．这些具体的应用实例证明了梯度引导的蒙特卡罗算法能够有效地搜索分子空间，根据所感兴趣的分子性质，筛选出最优的分子．总之，本文综述了反向设计的方法近况及其基本原理，将有助于促进分子设计的进程．