📚 课程目录第1章分子生成概述

1. 分子生成概述：分子表示、生成任务、应用场景

好，我们开始第一讲。

分子生成，说白了就是让计算机自己「创造」新分子。不是从现有库里挑，是从头设计。这活儿以前靠化学家直觉加运气，现在靠模型加算力。

我个人习惯把这章拆成三个核心问题：分子长什么样（表示）、我们要生成什么（任务）、生成出来有什么用（应用）。咱们挨个聊。

计算机不认识结构式，只认识数字和符号。所以第一步，得把分子翻译成它能处理的形式。

最常见的三种表示方式：

SMILES 是最常见的序列表示。比如乙醇：

CCO

就三个字符。但你想想看，同分异构体怎么办？有些分子 SMILES 串长得像乱码，可读性很差。我遇到过几次 SMILES 解析出错的坑，后来改用 SELFIES——它天然保证语法正确，生成的时候基本不会出「非法字符串」。

图表示就更直观了。每个原子是一个节点，化学键是边。节点特征包括原子类型、价态、电荷；边特征包括键级、是否芳香环。这样做图卷积、图生成，逻辑上很顺。

为什么要用图？因为分子本质上就是个图。你拿图生成模型去学，很自然就能保持连通性和化学价规则。

3D 表示加入了坐标信息。比如一个水分子的结构：

3
water
O    0.0000    0.0000    0.1173
H    0.7572    0.0000   -0.4692
H   -0.7572    0.0000   -0.4692

这种格式对力场计算、对接模拟非常关键。不过 3D 构象不是唯一的——一个分子可能有多种低能构象，这就给生成带来了挑战。

我的建议：入门阶段用图表示 + SMILES 文本联合建模。兼顾表示能力与训练效率。等熟悉了再上 3D。

分子生成不是一个单一任务。我按目标把它分成三类：

这里面，从头生成是最「原教旨」的任务。先采样一个潜空间向量，然后解码成分子。解码器可以基于 RNN、Transformer 或者图生成网络。

举个简单例子。用 RNN 生成 SMILES 时，模型本质上是在学字符序列的条件概率：

P("CCO" | "C") → 预测下一个字符
P("CCO" | "CC") → 再预测下一个

生成时，从起始符开始，逐字符采样，直到遇到结束符。看起来像语言模型，但训练数据和评价指标完全不同——评价一个分子好不好，还得看化学有效性、新颖性、多样性。

  关键指标：
  有效性（Valid）：生成的 SMILES 能否被 RDKit 成功解析。
新颖性（Novel）：生成的结构不在训练集里。
多样性（Diverse）：批量生成的分子之间结构差异大。
目标性质（Goal）：是否达到设计要求的性质。

基于骨架的生成我实际项目用得多。药化团队经常说：「这个母核挺好的，帮我把 R 基团变一变。」这时候模型只需要在指定附着点上生成连接片段，自由度小很多，成功率也高。

性质优化生成最考验模型功底。你不能只生成好看的分子，还得控制脂溶性、毒性、合成难度。常用方法包括强化学习（把性质打分当奖励）、条件变分自编码器（把目标性质当条件输入）、或直接做多目标优化。

避坑提示：我曾在一个项目里单追 LogP 优化，生成了一堆极疏水的分子——活性测出来很好，但水溶性几乎为零，完全没法往下做。后来加了 QED 和合成可达性作联合约束，才把方案拉回来。

聊完任务，咱们说说落地。

药物发现是分子生成最活跃的战场。传统做法是虚拟筛选千万级库，现在可以先生成一个百万级的目标聚焦库，再筛选。效率提升一个数量级。

我记得有一次接了个激酶抑制剂项目。现有筛选库里的结构几乎都被测遍了，很难找到新骨架。我们用了一个基于图的条件生成模型，在生成时约束必须含某个氢键供体基团。跑了一轮，真拿到了几个新颖且活性在纳摩尔级别的骨架。

材料科学这块，分子不止是「药物」，还可以是OLED发光材料、有机太阳能电池受体。这类任务对性质的精确度要求极高——LogP差0.5，性能可能就差一个量级。这时候多GPU分布式训练的优势就出来了：可以用大批量采样做性质预测，快速反馈给生成模型。

化学生物学更侧重功能基团。比如设计一个光交联探针，必须包含二氮杂环丙烷基团。你不能让模型随机生成，得指定「必须含有某个子结构」。这叫 约束生成，也是我们课程后面要重点讲的内容。

下面这张图总结了第一章的核心脉络，帮你快速建立起宏观认知。

嗯，这一章的内容就是这些。从分子表示的三条路线，到三大生成任务，再到实际应用场景——这条链你理清楚了，后面学分布式训练、模型选型、数据并行、模型并行，就有了具体抓手。

下次我们再深入具体模型，先把分子生成的基线模型跑起来。