LiteFold发布LiteMol-1基础模型

今天，我们非常激动地推出 LiteMol-1，这是 LiteFold 推出的首个基础模型。

像 BoltzGen、O-Design 和 RFdiffusion 这类基于结构的模型，已经成为生物分子设计的实际标准。但规模化运行它们的成本很高。在很多研发项目中，我们需要生成数万种设计，再经过严格筛选，最终只得到少数几个顶级候选分子。

更重要的是，大多数分子设计系统主要围绕结合亲和力优化。但让分子成为有效药物的其他所有特性呢：ADME、毒性、类药性、膜通透性、可合成性、选择性等等？

这就是我们推出 LiteMol-1 的原因，它是我们从头预训练的首个多分子基础扩散语言模型。仅用一套权重，LiteMol-1 就能条件生成小分子、肽、环肽、depsipeptides、含非经典氨基酸的肽、大环化合物和 PROTAC。

你可以无条件生成分子，也可以根据蛋白质靶标序列进行条件生成。你可以对分子进行 in-painting，保留现有骨架的部分结构，生成非经典肽，环化设计，还可以对分子进行连续编辑和重新生成。

我们还推出了用于多目标分子设计的蒙特卡洛树搜索框架。我们没有强求单个分子在所有方面都完美，而是让搜索保留一组有潜力的分子，每个分子在不同特性间有不同的权衡。这很重要，因为分子设计从根本上来说不是单目标优化问题。

最后，也是最让我们兴奋的一点：这是一款为智能体（Agents）打造的模型。在自动研究（AutoResearch）循环中，当需要反复对数千个大型 PDB/CIF 文件进行推理时，LLM 并不是特别高效的接口。序列空间则不同。SMILES 和分子序列紧凑、可编辑，对智能体来说，更容易检查、比较、修改和推理。

因此我们将 LiteMol-1 视作一块无限的分子画布。模型生成各种可能性，智能体从这些可能性中获取灵感，对它们进行评估、编辑、优化，然后再次生成。自动研究循环会一直持续，直到找到满足给定设计目标的候选分子；同时只有在真正需要的时候，才会调用成本高昂的结构预测、对接或模拟。

我们在肽和小分子生成上的评估表明，LiteMol-1 的表现与前沿的基于结构和基于序列的模型相比具有竞争力，在多个场景中性能与之相当甚至更优，同时生成成本和时间仅为这些模型的零头。

而这仅仅是第一步。可以查看评论区里我们的技术研究博客文章，了解更多关于 LiteMol-1 的信息。