The growing capabilities of synthetic biology and organic chemistry demand tools to guide syntheses toward useful molecules. Here, we present Molecular AutoenCoding Auto-Workaround (MACAW), a tool that uses a novel approach to generate molecules predicted to meet a desired property specification (e.g., a binding affinity of 50 nM or an octane number of 90). MACAW describes molecules by embedding them into a smooth multidimensional numerical space, avoiding uninformative dimensions that previous methods often introduce. The coordinates in this embedding provide a natural choice of features for accurately predicting molecular properties, which we demonstrate with examples for cetane and octane numbers, flash points, and histamine H1 receptor binding affinity. The approach is computationally efficient and well-suited to the small- and medium-size datasets commonly used in biosciences. We showcase the utility of MACAW for virtual screening by identifying molecules with high predicted binding affinity to the histamine H1 receptor and limited affinity to the muscarinic M2 receptor, which are targets of medicinal relevance. Combining these predictive capabilities with a novel generative algorithm for molecules allows us to recommend molecules with a desired property value (i.e., inverse molecular design). We demonstrate this capability by recommending molecules with predicted octane numbers of 40, 80, and 120, which is an important characteristic of biofuels. Thus, MACAW augments classical retrosynthesis tools by providing recommendations for molecules on specification.

中文翻译：

---

MACAW：分子嵌入和逆分子设计的便捷工具

合成生物学和有机化学不断增长的能力需要工具来指导合成朝着有用的分子方向发展。在这里，我们提出了分子自动编码自动解决方法 (MACAW)，这是一种工具，它使用一种新方法来生成预计满足所需特性规范（例如，50 nM 的结合亲和力或 90 的辛烷值）的分子。MACAW 通过将分子嵌入到平滑的多维数值空间中来描述分子，避免了以前方法经常引入的无信息维度。这种嵌入中的坐标为准确预测分子特性提供了一种自然选择的特征，我们通过十六烷值和辛烷值、闪点和组胺 H1 受体结合亲和力的例子来证明这一点。该方法计算效率高，非常适合生物科学中常用的中小型数据集。我们通过识别对组胺 H1 受体具有高预测结合亲和力和对毒蕈碱 M2 受体具有有限亲和力的分子来展示 MACAW 用于虚拟筛选的效用，这些分子是药物相关的目标。将这些预测能力与新的分子生成算法相结合，我们可以推荐具有所需属性值的分子（即逆分子设计）。我们通过推荐具有预测辛烷值 40、80 和 120 的分子来证明这种能力，这是生物燃料的一个重要特征。因此，MACAW 通过为分子规范提供建议来增强经典的逆合成工具。我们通过识别对组胺 H1 受体具有高预测结合亲和力和对毒蕈碱 M2 受体具有有限亲和力的分子来展示 MACAW 用于虚拟筛选的效用，这些分子是药物相关的目标。将这些预测能力与新的分子生成算法相结合，我们可以推荐具有所需属性值的分子（即逆分子设计）。我们通过推荐具有预测辛烷值 40、80 和 120 的分子来证明这种能力，这是生物燃料的一个重要特征。因此，MACAW 通过为分子规范提供建议来增强经典的逆合成工具。我们通过识别对组胺 H1 受体具有高预测结合亲和力和对毒蕈碱 M2 受体具有有限亲和力的分子来展示 MACAW 用于虚拟筛选的效用，这些分子是药物相关的目标。将这些预测能力与新的分子生成算法相结合，我们可以推荐具有所需属性值的分子（即逆分子设计）。我们通过推荐具有预测辛烷值 40、80 和 120 的分子来证明这种能力，这是生物燃料的一个重要特征。因此，MACAW 通过为分子规范提供建议来增强经典的逆合成工具。