分子生成：基于深度生成模型的新药设计

分子生成概述：从随机筛选到智能设计

传统药物发现依赖高通量筛选，在庞大化学空间（估计 $10^{60}$ 个类药分子）中盲目寻找苗头化合物，成功率低、成本高。分子生成（Molecular Generation）旨在利用计算方法自动设计满足特定性质约束的新分子结构，将药物设计从“寻找”转变为“创造”。深度生成模型的崛起，使模型能直接从数据中学习分子分布，并按需生成新颖、可合成、高活性的分子，已成为人工智能驱动药物发现（AIDD）的核心环节。

为什么要用生成模型设计分子？

• 探索未至空间：跳出已知化合物库，发现全新骨架。
• 多目标优化：同时优化活性、选择性、代谢稳定性、合成可及性等。
• 结构多样性：避免专利壁垒，产生丰富分子系列。
• 条件生成：以靶点口袋结构或药理特性为条件，定向生成。
• 提升效率：加速先导化合物发现与优化，缩短研发周期。

分子表示方法：让机器“看懂”分子

深度生成模型需要将分子转换为机器可处理的表示形式。常见表示各有优劣，直接影响生成质量和可控性。

一维字符串表示

SMILES（简化分子线性输入规范）：将分子图转化为线性字符串，如苯可写作 c1ccccc1。优点是紧凑、自然语言模型可直接处理，但存在语法脆性（微小改动导致无效分子）和表达歧义（同一分子多种SMILES）。SELFIES 则是一种语法保证新字符串，每次修改都生成有效分子，非常适合生成任务。

二维图表示

将分子看作以原子为节点、化学键为边的无向图。节点特征包括原子类型、手性等，边特征包括键类型、键立体化学。图生成模型直接操作图结构，天然符合分子本质，但计算复杂度较高。消息传递神经网络（MPNN）常用于学习分子图表征。

三维几何表示

包含原子坐标和构象信息，对理解药物-靶点相互作用至关重要。可表示为点云、距离矩阵或体素网格。基于3D的生成模型能直接考虑形状互补和药效团匹配，但数据需求大，训练难度高。

深度生成模型家族：六类主流方法

1. 变分自编码器：潜伏空间导航

VAE 由编码器和解码器组成。编码器将分子映射到一个连续的高斯分布隐空间；解码器从隐空间采样点重构分子。训练目标包含重构损失和KL散度，迫使隐空间平滑。

分子VAE流程：

1. 将SMILES输入编码器，得到均值和对数方差向量。
2. 通过重参数技巧采样隐变量 $z$。
3. 解码器将 $z$ 翻译回SMILES（通常使用循环神经网络）。

优势：隐空间连续且结构化，可通过在空间内插值或向量运算实现性质渐变。劣势：重构率非100%，可能生成无效分子（改用SELFIES可缓解）。代表：JT-VAE引入分子子结构（Molecule Junction Tree）进行编解码，生成完全有效且新颖的分子。

2. 生成对抗网络：对抗博弈促生成

GAN 包含生成器 $G$ 和鉴别器 $D$。$G$ 从噪声生成分子，$D$ 判断输入是真实分子还是生成分子。二者交替训练，直至 $D$ 无法区分。

在分子生成中，常将GAN与强化学习结合，使用策略梯度训练生成器，化解离散分子序列不可微分的问题。ORGAN（Objective-Reinforced GAN）在传统GAN基础上加入目标引导，通过奖励信号控制生成分子的期望属性。挑战：模式坍塌、训练不稳定，且有效性和新颖性平衡较难。

3. 自回归模型：逐原子或逐键生长

将分子生成视为序列决策过程。每一步根据已有结构预测下一个符号（原子、键或片段）。RNN/LSTM 语言模型是最早应用：用大量SMILES训练，学习分子语法，然后采样生成新SMILES。

基于RNN的生成与微调：

• 在大型化学库上预训练一个SMILES分子语言模型。
• 通过强化学习或迁移学习进行微调，使生成分子偏向特定活性值或综合打分。
• 代表：DrugEx 系统使用多目标强化学习，同时优化活性与选择性。

Transformer/自注意力模型 取代RNN成为更强基线。MolGPT、cMolGPT使用GPT式架构，支持条件生成。可配合分子属性预测头做多任务学习，生成质量更高。

图自回归模型：如GraphRNN、GRAN，逐步添加节点和边，生成分子图，保证结构有效性。

4. 流模型：精确密度估计与可逆映射

流模型（Normalizing Flows）使用一系列可逆变换将简单先验分布（如高斯）映射为复杂数据分布。核心优势是直接给出精确对数似然，可进行稳定训练，并能计算隐向量与分子间的一一映射。

应用：GraphNVP（Graph Normalizing Flow）将分子图分解为节点矩阵和邻接张量，分别用耦合层变换，实现有效分子的可逆生成。MoFlow则基于键结构进行图生成，提升有效性。流模型生成的分子有效性高，但隐空间不易约束属性，常需后接贝叶斯优化。

5. 扩散模型：从噪声中还原分子

扩散模型 是近期最火热的生成范式。前向过程逐渐向数据添加噪声直至纯噪声，逆向过程学习去噪复原数据。由于持续状态空间适用性，扩散模型最初用于图像，现已成功扩展到分子。

分子扩散模型分类：

• 基于坐标的扩散：对3D构象施加高斯噪声，学习生成具有合理构象的分子。GeoDiff 在去噪过程中结合图神经网络，利用E(3)等变性，同时生成原子坐标和元素类型。
• 基于图的扩散：对离散的图成分（原子类型、键类型）进行连续扩散或类别扩散。DiGress 使用离散扩散过程，逐步添加类别噪声并学习逆过程，生成的分子图几乎100%有效。
• 条件扩散：通过提供靶标蛋白质口袋的3D结构作为条件，TargetDiff、DecompDiff 等模型可进行基于结构的药物设计，直接生成结合口袋内的配体分子。

扩散模型生成质量高、多样性好，但推断速度慢，需要多步去噪。

6. 强化学习驱动的多目标优化

强化学习本身不是生成模型，但与分子生成器（常为RNN或Transformer）结合，可实现高效的性质优化。将分子生成定义为马尔可夫决策过程：状态为当前分子序列，动作为选择下一个符号，奖励为生成分子综合评价得分（生物活性、QED、SA分数等）。

策略梯度方法（如REINFORCE）用于更新生成器参数，鼓励生成高奖励分子。通过引入多样性奖励和相似性惩罚避免模式坍塌。常用框架：REINVENT使用基于RNN的代理模型，结合多样性过滤（Diversity Filter）确保骨架新颖性。这种方法适合在已有活性或ADME属性预测模型指导下，进行大步“跳跃”式的分子优化。

基于结构的分子生成：直接契合靶点口袋

当靶蛋白的3D结构已知时，分子生成任务变为“生成能非共价结合口袋的配体分子”，即基于结构的药物设计（SBDD）。

• 3D编码器：使用等变图神经网络（如SE(3)-Transformer、Equiformer）处理蛋白质口袋原子和分子几何，提取结构特征。
• 生成条件：将口袋编码作为条件信号注入生成器（如条件VAE、cGAN、条件扩散模型），使生成分子的原子完全在口袋约束下采样。
• 代表性工作：Pocket2Mol 利用等变网络编码口袋，自回归采样原子并根据距离约束放置；TargetDiff 以口袋为条件进行扩散，生成重心锚定的分子构象；FLAG 采用片段连接策略，在口袋内由模型自动拼接片段。

评估指标包括结合亲和力（Vina评分）、配体效率、口袋占据率、与参考配体构象的RMSD等。

分子生成评价体系：不止于新颖性

单一指标无法全面衡量生成质量，需多维度评估：

实践建议：至少同时报告有效性、新颖性、独特性和一个目标性质命中率。

实战示例：用Python快速搭建分子生成

下面以基于SELFIES的VAE为例，展示核心代码片段（使用PyTorch）。

import selfies as sf
import torch
from torch import nn

# 1. SELFIES词汇表构建（略）
# 假设已有 vocab: {symbol: idx} , max_len

class MolecularVAE(nn.Module):
    def __init__(self, vocab_size, embedding_dim=128, hidden_dim=512, latent_dim=64):
        super().__init__()
        self.embed = nn.Embedding(vocab_size, embedding_dim)
        # 编码器：双向GRU
        self.encoder_gru = nn.GRU(embedding_dim, hidden_dim, batch_first=True,
                                  bidirectional=True)
        self.fc_mu = nn.Linear(hidden_dim*2, latent_dim)
        self.fc_logvar = nn.Linear(hidden_dim*2, latent_dim)
        # 解码器：从隐变量z开始，初始状态映射，然后逐步生成
        self.lat2hidden = nn.Linear(latent_dim, hidden_dim)
        self.decoder_gru = nn.GRU(embedding_dim+latent_dim, hidden_dim, batch_first=True)
        self.output = nn.Linear(hidden_dim, vocab_size)

    def encode(self, x):
        # x: (batch, seq_len)
        emb = self.embed(x)
        _, h = self.encoder_gru(emb) # h: (2, batch, hidden_dim)
        h = torch.cat([h[0], h[1]], dim=-1) # (batch, hidden_dim*2)
        return self.fc_mu(h), self.fc_logvar(h)

    def reparameterize(self, mu, logvar):
        std = torch.exp(0.5 * logvar)
        eps = torch.randn_like(std)
        return mu + eps * std

    def decode(self, z, targets=None, teacher_forcing=0.5):
        batch_size = z.size(0)
        # 初始输入是开始符
        current = torch.full((batch_size, 1), start_token_idx, device=z.device)
        hidden = self.lat2hidden(z).unsqueeze(0) # (1, batch, hidden_dim)
        outputs = []
        # 在每个时间步将z拼接给嵌入
        for t in range(max_len):
            emb = self.embed(current) # (batch,1,emb_dim)
            input = torch.cat([emb, z.unsqueeze(1)], dim=-1)
            out, hidden = self.decoder_gru(input, hidden)
            logits = self.output(out.squeeze(1)) # (batch, vocab_size)
            outputs.append(logits.unsqueeze(1))
            # 训练时有时使用教师强制
            if targets is not None and torch.rand(1).item() < teacher_forcing:
                current = targets[:, t].unsqueeze(1)
            else:
                current = logits.argmax(-1).unsqueeze(1)
        return torch.cat(outputs, dim=1)

    def forward(self, x):
        mu, logvar = self.encode(x)
        z = self.reparameterize(mu, logvar)
        recon = self.decode(z, targets=x)
        return recon, mu, logvar

训练时损失 = 重构交叉熵 + KL散度权重。生成时从标准正态采样 $z$，调用 decode(z) 即可获得SELFIES序列，再解码为分子。

前沿发展与未来趋势

合成可及性深度整合

当前生成分子常在可合成性得分上偏低。未来趋势是将逆合成规划模型直接融入生成循环：在生成时调用单步逆合成预测，过滤掉难以合成的产物，或利用合成子（synthon）作为生成的基本单元。

3D全原子生成与打分耦合

随着AlphaFold等带来的蛋白质结构富集，基于口袋的3D分子生成成为热点。扩散模型有望与分子对接、自由能微扰（FEP）等物理计算方法耦合，实现在生成过程中直接评估结合亲和力，形成“生成-评估-反馈”闭环。

大型分子预训练模型

类似GPT的分子基础模型（如MolGPT-X、GIMLET、GROVER）在大规模无标注分子库上预训练，捕获通用分子语义，然后是下游生成任务微调。这些模型为分子生成带来了强大的先验知识，显著提升生成质量和泛化能力。

交互式生成与主动学习

将分子生成与化学家直觉结合，使用人在回环（HITL）系统，化学家对生成的分子提供反馈，模型在线学习并调整生成策略。配合主动学习，能高效探索特定性质区域，极大加速“设计-合成-测试”循环。

总结

分子生成已从简单的SMILES采样演变为多目标、多约束、结构感知的智能设计利器。初学者可从基于SELFIES的VAE或RNN语言模型入手，快速体验分子生成的概念；进阶者应掌握图生成、条件扩散模型和强化学习优化，并着眼于实际问题（如针对特定靶标的SBDD）。无论选择哪种方法，务必始终以化学合理性和合成可行性为锚点，让AI真正赋能药物研发。