Nat Commun | 图神经网络结合不确定性量化用于高效分子设计

本研究提出了一种结合不确定性量化（UQ）、定向消息传递神经网络（D-MPNNs）和遗传算法（GAs）的创新方法，旨在提升分子设计的可靠性与效率。通过Tartarus和GuacaMol平台的基准测试，研究发现融入UQ的D-MPNNs在优化开放化学空间中表现优异，特别是在概率改进优化（PIO）方法下，优化成功率显著提升。该方法在多目标任务中能够有效平衡相互竞争的目标，超越了传统方法。研究为计算辅助分子设计中整合UQ提供了实用指导，为高效发现新型化学材料开辟了更可靠的路径。