药物发现深度学习：分子性质预测与生成

FreeGuideOnline 最新 2026-06-20

引言

在传统药物发现中，从靶点识别到先导化合物优化往往需要十年以上的时间，耗资数十亿美元。深度学习正在改变这一局面，尤其在分子性质预测与全新分子生成两个关键环节，它大幅降低了实验成本和时间。本教程将带你从零开始，理解如何在药物发现中应用深度学习方法，重点关注分子性质预测（判断分子是否具有特定活性、毒性等）与分子生成（设计全新的类药分子）。

核心概念：分子表示

深度学习的起点是如何将分子转化为模型可理解的数值形式。主流表示方法可分为三类：

基于序列的表示：SMILES 与 InChI

  • SMILES（简化分子线性输入规范）将分子结构编码为字符串，如阿司匹林的 SMILES 为 CC(=O)Oc1ccccc1C(=O)O。
  • 优点：紧凑，可直接用循环神经网络（RNN）、Transformer 等序列模型处理。
  • 缺点：字符串对结构信息的表达不直接，微小改动可能破坏语义，且同一分子有多个合法 SMILES，增加学习难度。

基于图的表示

分子自然被视为图：原子 = 节点，化学键 = 边。节点特征包括原子类型、电荷、杂化状态等；边特征包括键类型、共轭等。图表示保留了完整的拓扑和局部化学信息，是当前性质预测的主流输入形式。

三维几何表示

包含原子坐标，能够刻画立体化学和构象。通常用于需要空间信息的任务，如蛋白质-配体相互作用预测。表示方法有网格体素、点云或球坐标图等。

分子性质预测

性质预测是“虚拟筛选”的核心：给定分子库，快速预测活性、毒性、溶解度等，挑出最有希望进入实验验证的候选物。

图神经网络（GNN）用于分子性质

图神经网络是处理图结构数据的标准工具，其中消息传递神经网络（MPNN） 框架最具代表性：

  1. 消息函数：邻居原子与边传递信息。
  2. 更新函数：中心原子聚合邻居消息并更新自身状态。
  3. 读出函数：聚合所有原子状态得到分子级表示，用于性质预测。

常用模型如 GCN、GAT（含注意力）、MPNN、SchNet（引入距离信息）等。实际训练时会将分子图分为训练/验证/测试集，使用回归或分类损失优化。

基于SMILES的序列模型

直接用一维 SMILES 作为输入时可使用：

  • RNN/LSTM：早期方法，双向 LSTM 对 SMILES 序列编码。
  • Transformer：自注意力机制能捕捉长距离依赖，适合 SMILES 这类可长可短的序列，如 ChemBERTa 即基于 BERT 架构在百万分子上预训练，可用于下游性质预测微调。

迁移学习与预训练

标注数据稀少是药物发现的核心痛点。大规模无标注分子数据库（如 ZINC、ChEMBL）催生了分子预训练模型：

  • 节点/边屏蔽预测：随机遮盖原子或键，让模型推断被遮盖部分。
  • 上下文预测：判断子图是否来自同一分子。
  • 对比学习：让同一分子的不同增广视图表示接近，不同分子远离。

预训练后的模型只需少量标签微调，即可在小数据集性质预测上达到高准确度。

不确定性估计

药物发现中，错误预测的代价极高。深度学习模型不仅应给出预测值，还应给出置信度。常见方法：

  • 集成学习：训练多个模型，预测方差作为不确定性。
  • 贝叶斯神经网络：对权重分布建模。
  • 蒙特卡洛 Dropout：推理时多次 dropout，取方差。

这些技术能有效识别“模型不熟悉”的分子，避免盲目信任预测结果。

分子生成

性质预测是评估已有分子，而分子生成旨在从头设计具有特定性质的全新分子，相当于“分子逆向设计”。

基于SMILES的生成模型

直接将 SMILES 视为语言，使用生成式模型：

  • 循环神经网络（RNN）生成器：在大量类药分子 SMILES 上训练字符级语言模型，可从随机起点采样生成新 SMILES。结合强化学习，可微调生成向目标性质（如高活性）偏移。
  • 变分自编码器（VAE）：编码器将 SMILES 嵌入连续隐空间，解码器从隐空间重建 SMILES。通过在隐空间进行插值或优化，可以产生新分子。
  • 生成对抗网络（GAN）：同样可在隐空间生成分子，但训练较不稳定，在离散 SMILES 输出上需技巧（如梯度估计）。

图生成模型

直接从分子图出发生成，输出原子和键的序列化决策：

  • 基于节点序贯生成：一步一步添加原子和键，常用 RNN 或图神经网络指导生长过程，如 MoFlow 等模型生成键与原子特征。
  • 图变分自编码器：编码分子图到隐空间，解码生成邻接矩阵和节点特征矩阵。需解决图同构和变长问题。

图生成模型天然保证生成分子的化学有效性更高，但训练和采样复杂度也高于 SMILES 模型。

面向目标的分子优化

纯粹的随机生成并不实用，需要将生成引导至理想的化学空间。常用策略：

  • 强化学习：以分子性质预测模型作为“奖励函数”，用策略梯度更新生成器，使得生成高奖励分子的概率增加。
  • 贝叶斯优化（BO） 与隐空间搜索：在 VAE 的连续隐空间中，用 BO 寻找满足多种性质的隐向量，再解码为分子。
  • 遗传算法：对分子种群进行交叉、变异，根据适应度选择后代，不依赖可微模型。

多目标性质优化

实际药物分子需同时满足活性、选择性、代谢稳定性、低毒性等多个目标。可以通过标量化（加权和）、帕累托前沿搜索或条件生成（输入目标性质作为条件）来实现多目标设计。

实践工具与资源

  • RDKit：化学信息学工具包，可计算描述符、处理 SMILES、渲染分子。
  • DeepChem：基于 TensorFlow/PyTorch 的分子深度学习库，提供各类数据集和预训练模型。
  • PyTorch Geometric / DGL：图神经网络库，方便搭建 MPNN 等模型。
  • Hugging Face Molecule Transformers：如 ChemBERTa，可直接调用微调。
  • 开源数据库：
    • ChEMBL：生物活性数据。
    • ZINC：可用于虚拟筛选的商业可得类药分子库。
    • Tox21：毒性终点数据。
    • QM9：小分子量子化学性质。

实战流程：从数据到生成性质优化模型

数据准备与清洗

  1. 从 ChEMBL 获取针对某靶点（如 EGFR）的抑制活性数据。
  2. 去除溶剂、盐，标准化 SMILES，去除重复，标注活性阈值（IC50 < 1μM 为活性，>10μM 为非活性）。
  3. 计算分子指纹、训练图表示等。

构建性质预测分类器

  1. 使用 RDKit 提取图特征，搭建 3 层 MPNN，在训练集上优化二分类交叉熵。
  2. 在测试集上用 AUC、精确率等评估。
  3. 用该模型作为后续生成任务的奖励函数。

训练分子生成器

  1. 使用预训练 SMILES VAE（如 JunctionTree VAE）在大规模分子库上训练，得到隐空间。
  2. 将性质预测模型作为 oracle，用策略梯度（REINFORCE）微调解码器，奖励函数 = 预测为活性的概率 - 合成可及性惩罚。
  3. 采样生成新分子，检查新颖性、有效性、类药性。

湿实验验证与迭代

最终生成的高分分子会被合成并测试。实验数据反馈回来，重新训练预测模型，进入“设计-合成-测试-分析”闭环。这个循环是 AI 驱动药物发现的核心范式。

挑战与展望

  • 合成可及性：生成的分子可能在计算机上完美，但难以合成。近年已出现逆合成预测模型（基于 Transformer 或图网络）辅助评估合成路线。
  • 小样本学习：许多靶标仅有几十个活性分子，元学习、匹配网络等方法正在被引入。
  • 动态与三维结构：仅配体信息不够，未来需深度融合蛋白质三维结构（AlphaFold 等），使用几何深度学习进行结合亲和力预测，将开启基于结构的药物设计新纪元。
  • 可解释性：为何模型认为某个分子有效？注意力权重、图显著图、反事实解释等方法逐步被用于揭示结构-活性关系。
  • 自动化流程：从靶点发现到临床前候选化合物的全自动 AI 实验室（云端实验室+AI 决策）正在成为现实，深度生成与预测模型将作为核心大脑。

总结

药物发现中的深度学习已经不再只是辅助工具，而是成为高效设计分子的核心引擎。掌握分子表示、性质预测和图/序列生成模型，能让你快速进入这个交叉学科前沿。建议从复现简单的分子性质预测模型开始，逐步尝试条件生成，最终构筑自己的 AI 辅助分子设计流程。