📚 课程目录第1章分子序列生成概述

1. 分子序列生成概述：背景、意义、应用场景

各位同行，我们开始聊第一个话题。分子序列生成，这个名字听起来有点学术，但你把它拆开看，没那么复杂。说白了，就是用计算机模型，像写句子一样，一个原子一个原子地把分子结构“写”出来。

我最早接触这个领域，还是在读博的时候。导师扔给我一个项目：用RNN生成类药分子。那年头别说Transformer了，连注意力机制都还没火起来。结果呢？生成的分子要么不稳定，要么根本合成不出来。嗯，现在回头看，技术确实进步太大了。

但在讲具体模型之前，咱们得先搞清楚一个问题——

为什么我们要用AI去生成分子？

传统药物研发，靠的是穷举筛选。药化学家合成几千个分子，一个个测活性。运气好，筛到一个苗头化合物；运气不好，两年白干。我见过一个项目，团队花了18个月优化一个分子骨架，最后发现代谢稳定性根本过不了关——从头再来。

AI生成模型想解决的，就是这个痛点：从零开始设计具有目标性质的分子，而不是在已知空间里翻来翻去。

有机化学能合成的分子有多少？这个数字大得离谱。让我给你一个直观概念：

这叫什么？这叫化学空间的“稀疏性”。

传统高通量筛选再怎么扩，也只能在已知区域打转。而用生成模型，我们可以去那些人类从未想过的化学区域“探险”。

我在腾讯做AI制药的时候，带过一个实习生。他问：老师，为什么不用遗传算法？我当时笑了笑说：遗传算法能优化，但很难创造全新骨架。这就像让你拼乐高——遗传算法是把手头的积木换颜色，生成模型是自己设计新形状的积木。

分子序列生成的核心思想，就是把分子表示为一维序列。最常见的表示方式就是 SMILES（简化分子线性输入规范）。

SMILES 例子：
对乙酰氨基酚（扑热息痛）：

CC(=O)Nc1ccc(O)cc1

阿司匹林：

CC(=O)Oc1ccccc1C(=O)O

你看到了吗？一个分子变成了一串字符。这就意味着，我们可以用做自然语言处理的那套方法，来处理分子。Transformer为什么后来在这个领域大杀四方？因为它天生就是处理序列的架构。

有人可能会问：直接语言模型拿来用不就行了吗？我最初也是这么想的。但在实际项目中，我踩了无数坑。

避坑指南： 我曾经天真地把GPT-2直接拿来训练SMILES，结果发现了一堆问题——生成90%都是无效的SMILES串，括号不匹配，环号乱标。这跟你教机器写诗不一样：诗写错了没人受伤，分子画错了可直接影响药效预测。

分子生成有几个天然难点：

这四点加在一起，决定了你不能把分子生成当作文本生成来暴力迁移。这也是我花精力整理这份《Transformer分子序列生成指南》的核心原因——把我在工业界摸爬滚打三四年的经验，系统地讲出来。

我个人习惯： 在项目启动前，先花一周做"表示学习调研"。选错分子表示（比如用固定长度指纹 vs. 变长序列），后面所有模型都得推倒重来。

说了这么多背景，我们来看看分子序列生成到底能干什么。我按自己项目的经验，归了四类：

说到先导化合物发现，我印象最深的是2021年在Kaggle上有个比赛。要求设计对某个激酶有活性的分子。我当时用了一个最简单的LSTM + 强化学习，居然跑赢了几个用GAN的团队。不是因为我模型好，而是因为我花了大量精力去约束SMILES的语法有效性——很多团队生成的分子一大半都是无效的。

你想想看，同样的模型，90%生成有效 vs 30%生成有效，迭代效率差了3倍。这就是基本功的差距。

再来说性质优化。这个场景在工业界用的最多。药化团队手上有几个不错的苗头化合物，但性质不够好——比如溶解度太低。生成模型可以在原有骨架基础上做“局部修饰”，保持核心药效团不变，同时优化溶剂暴露区域。

我参与过一个GPU项目，目标是把一个IC50在100nM左右的先导化合物优化到10nM以内，同时把hERG毒性降低。用Transformer+迁移学习，只做了6轮迭代，就找到了3个候选分子——全部满足双指标要求。如果纯靠人工合成，至少需要2年。

这一章的内容，其实是整门课程的“地图”。我习惯在做任何大规模项目前先梳理一张流程图。下面这个SVG图，就是我对分子序列生成知识框架的整体理解：

如果你是第一次接触这个方向，我建议你先配好三个工具：

先装好环境，咱们后面章节就要开始真刀真枪地干了。

相信我，当你第一次看到模型生成一个全新的、化学上合理且对目标靶点有活性的分子时，那种兴奋感——值回所有的熬夜调试。