1. 分子生成概述
分子生成，说白了就是用算法给你“变”出新的分子结构。你在医药、材料、电池、香精行业摸爬滚打过的都知道——一个新分子的诞生，传统路径要走过设计、合成、测试、优化，一个周期动辄几个月甚至几年。现在有了AI，这块硬骨头开始被啃动了。
我个人最早接触这个领域是在做先导化合物优化的时候。那时候还不叫分子生成，叫“基于片段的药物设计”（FBDD），人工拼碎片拼到眼睛都快瞎了。后来发现，原来机器也能干这活，而且干得比人快得多。嗯，这个章我们就从最基础的说起。
1.1 为什么要生成分子？
你想想看，化学空间有多大？目前已知的有机小分子约108级别，但理论上可能的分子数量是1060这个天文数字。传统手段只能采样极小一部分。分子生成的价值，就是在浩瀚空间中高效找到那些有特定性质的分子。
1.2 应用场景一览
我从项目里直接总结了几类常见场景，每一类我都踩过坑：
| 场景 | 举例 | 我踩过的坑 |
|---|---|---|
| 先导化合物优化 | 提高活性、改善ADME | 一度只盯着活性，忽略可合成性，结果合成师傅摔瓶子 |
| 全新骨架设计 | 避开专利壁垒 | 生成了一堆幻想分子，合成可行性为0 |
| 靶向共价抑制剂 | 设计能与靶点共价结合的弹头 | 生成时没考虑反应位点，全白做 |
| 多参数优化 | 同时优化活性+选择性+毒性 | 单一目标优化太多，顾此失彼 |
| 材料分子设计 | 光伏/电池材料、荧光探针 | 忘了检查激发态性质，生成的分子压根不发光 |
1.3 三种主流分子表示方法
分子生成绕不开一个核心问题：怎么把分子表示给机器。我简单说三种最常用的：
- SMILES字符串——像写字符串一样写分子。比如苯：
C1=CC=CC=C1。轻量好懂，但一个分子可能有多个合法SMILES，需要规范化。 - 分子图（Graph）——把原子当节点、化学键当边。这是目前最主流的做法，GNN（图神经网络）就是专门干这活的。
- 3D坐标——直接输出原子的空间位置。现在扩散模型很火，像蛋白质口袋里的配体3D生成。
我当年刚接触SMILES时觉得很酷，直到有一次生成了一批分子，SMILES串本身合法，但实际没有手性中心能稳定存在——嗯，这就是只看字符串不看立体化学的代价。后来我干脆把图表示和3D信息混着用，效果才稳下来。
1.4 常见生成方法概览
方法分类很多，我按我最习惯的“模型范式”来分：
| 范式 | 代表技术 | 适用场景 | 我个人的偏好 |
|---|---|---|---|
| 自回归 | RNN、Transformer | SMILES序列生成 | 简单快速，但要小心语法错误 |
| 变分自编码器（VAE） | JT-VAE、Graph-VAE | 潜在空间插值、优化 | 适合连续优化，但可能生成无效分子 |
| 生成对抗网络（GAN） | MolGAN、Organ | 数据集规模大时 | 训练不稳定，我已经很久不推荐了 |
| 扩散模型 | GeoDiff、DiffDock | 3D生成、对接 | 目前最火，质量高但速度慢 |
| 强化学习 | ReLeaSE、MolDQN | 多目标优化 | 可合成性控制很出色，值得一试 |
1.5 行业背景与当前趋势
从2017年左右开始，分子生成在顶级期刊（JCIM、JCI、Nature Machine Intelligence）上爆发。2022年之后，生成式AI大模型（比如ChatGPT风格）也杀进了这个领域，但说实话，大部分大模型不懂化学规则，还得靠专用模型。另外，开源数据集（ZINC、ChEMBL、PubChem）和框架（RDKit、OpenBabel、PyTorch Geometric）降低了入门门槛。
我看到一个变化很关键：早期大家只关心分子是否合法、活性高不高；现在客户（尤其是药企）要求可合成性、代谢稳定性、安全性——这些工程指标必须嵌入Pipeline。我在项目中就曾因为没做ADMET预测，被药化同事怼了一回。
下面这张图帮你快速建立本章的知识骨架：
1.6 你需要搭建的Pipeline长什么样？
简单说一个最小可用Pipeline包含：数据输入 → 分子表示编码 → 生成模型 → 有效性过滤 → 性质预测 → 筛选排序。我在实战中给这条链加了两个“卡口”：生成后先做化学规则检查（比如Lipinski五规则），再做结构唯一性去重，否则后面白跑。
来看一个极简的命令行演示吧（用Python伪码表示）：
# 最小分子生成Pipeline示意
python run_pipeline.py \
--data zinc_250k.smi \
--representation SMILES \
--model VAE \
--epochs 100 \
--batch_size 64 \
--filter_rule Lipinski \
--output generated_molecules.smi1.7 行业里的大玩家
我知道的几个重要力量：
- 制药巨头：辉瑞、默克、强生都有内部团队，用分子生成辅助先导发现。
- AI制药公司：Insilico Medicine、Recursion、Atomwise，公开了不少Pipeline。
- 开源社区：MoleculeNet、MOSES、GuacaMol提供了标准化评估基准。
嗯，说到评估，我参加过几次评测比赛，发现不同Pipeline在同一个数据集上的结果差异很大，关键原因在于数据预处理和超参数调优。所以后面几章我会重点讲如何稳健地搭建验证流程。