用于分子发现的信息密集型合成

基于摘要分析。研究针对具有目标性质的分子极为稀少、现有搜索算法难以明显优于随机猜测的问题，提出通过算法控制的随机合成构造复杂混合物，对混合物进行整体测试，再解卷积还原分子—活性映射，以减少逐个设计、合成和测试候选分子的实验开销。 核心机制是把合成本身作为信息编码环节：作者并非只优化下一个待测分子，而是优化混合物的合成，使一次汇总测量尽可能包含更多候选分子的信息。摘要未交代混合物组成的控制方式、信息优化目标、活性解卷积算法，以及这些步骤所需的先验知识和监督数据。 作者报告，理论上，在 d 个候选分子中寻找最优分子所需的实验次数可由 O(d) 降至 O(log d) 或 O(1)；这些结论的具体适用条件尚未验证。作者还报告，在估计的蛋白质适应度景观上进行模拟时，相比现有 Bayesian optimization 方法，找到活性分子所需的实验次数减少一个数量级。该结果属于模拟证据，不能直接外推至真实合成实验；景观来源、活性判定、对照配置、实验计数口径及统计信息尚未验证。 复现时需要重点核对混合物测试如何对应单分子活性、测量噪声与分子间相互作用如何影响解卷积，以及理论实验复杂度是否涵盖合成和解码成本。本文并非 EEG/BCI 研究；其信息编码与汇总测量思路能否迁移，取决于目标场景是否具备可控组合测量及可辨识的解码结构，尚无材料支持具体迁移收益，已有 EEG 相关工作也尚未检索确认。