摘要：功能性分子的发现是一个昂贵且耗时的过程，小分子治疗药物发现成本的上升就是一个例证。在早期药物发现中，一类越来越受关注的技术是从头分子生成和优化，而这种技术的发展得益于新的深度学习方法的发展。这些技术可以提出新的分子结构，旨在最大化多目标函数，例如，作为针对特定靶点的治疗的适用性，而无需依赖于对化学空间的强力探索。然而，由于对可合成性的无知，这些方法的效用受到阻碍。为了强调这一问题的严重性，我们使用数据驱动的计算机辅助合成规划程序来量化最先进的生成模型提出的分子无法轻易合成的频率。我们的分析表明，尽管这些模型在流行的定量基准上表现良好，但在某些任务中它们会生成不切实际的分子结构。综合复杂性启发法可以成功地将生成偏向于综合可处理的化学空间，尽管这样做必然会偏离主要目标。该分析表明，为了提高这些模型在实际发现工作流程中的实用性，有必要开发新的算法。■ 简介