Generative AI for the Design of Molecules: Advances and Challenges
Notice bibliographique
Résumé
The design of novel molecules underpins advances in both drug discovery and biomaterials engineering. Traditional approaches, from natural product isolation to high-throughput screening, have delivered important therapeutics but remain costly, inefficient, and limited in exploring the chemical and biomolecular space. While predictive machine learning models improved aspects of discovery, they cannot fully address the complexity of modern precision medicine. Generative artificial intelligence (AI) offers a paradigm shift by enabling de novo molecular creation guided by data-driven optimization. Architectures such as variational autoencoders, generative adversarial networks, normalizing flows, and diffusion models now demonstrate unprecedented capabilities in designing small molecules and macromolecules that satisfy complex physicochemical and biological requirements. This review surveys the rapidly evolving field of generative AI for molecular design. We first introduce the development of generative architectures and optimization strategies, focusing on how sampling, training, and postgeneration techniques improve control over molecular design. We then examine applications across molecular representations, unconstrained and property-constrained design, conformation modeling, and the generation of large biomolecules such as proteins, antibodies, and peptides. Benchmarking datasets, evaluation metrics, and real-world case studies, such as the AI-driven discovery of novel antibiotics demonstrated in vivo efficacy against multidrug-resistant infections, illustrate the growing maturity and translational potential of generative molecular design approaches. Despite rapid advances, generative molecular design still faces critical challenges that point to key future directions. These include integrating physicochemical priors through differentiable physical models, overcoming data scarcity via synthetic augmentation and transfer learning, enabling multimodal fusion of structural, omics, and phenotypic data, deploying autonomous AI agents for adaptive decision-making, and optimizing multiple objectives with uncertainty-aware strategies. Addressing these challenges could lead to more robust, generalizable, and experimentally aligned molecular design systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».