一、分子生成概述

1.1 什么叫分子生成？

说白了，分子生成就是让计算机自动画出小分子的结构式。你给它一个目标——比如“想要能跟某种蛋白质结合的药”——它就能输出一串原子和键，构成一个合理的新分子。

我最早接触这个任务是在一个抗肿瘤项目里。当时组里还在用穷举法枚举类似物，效率低得让人崩溃。后来换了生成模型，几天就能筛出上百个候选结构。那感觉，挺震撼的。

分子生成的任务可以拆成三块：

• 表示学习：把分子图或者SMILES字符串转成计算机能理解的低维向量。
• 分布建模：学会真实分子的分布，不要生成乱七八杂的无效结构。
• 条件控制：指定属性（溶解度、毒性、合成可及性），生成的分子满足这些约束。

1.2 为什么制药行业需要它？

药物发现是个烧钱又烧时间的事。一个候选分子从筛选到临床，平均要花10年、烧掉20多亿美元。传统的高通量筛选，试错成本极高。我曾经跟一位药化老前辈聊，他说“合成100个分子，能留2个进下一步就不错了”。

分子生成模型的价值在于：

• 扩大化学空间：已知的类药分子大概10⁶⁰个，但人类只探索了极小一部分。模型可以采样到人想不到的区域。
• 减少合成轮次：直接生成符合多属性约束的分子，省掉大量“合成-测试-再设计”的循环。
• 加速苗头到先导：从早期命中到先导化合物优化，生成模型能提供很多骨架跳跃的灵感。

1.3 传统生成方法：VAE 和 GAN

在扩散模型火起来之前，主流分子生成方法主要有两类：变分自编码器（VAE）和生成对抗网络（GAN）。我来聊聊我踩过的坑和它们的本质区别。

1.3.1 VAE 做分子生成

VAE 把分子编码成一个概率分布，然后从这个分布里采样，再解码还原出分子。核心思路是“隐空间插值”。

• 优点：训练稳定，隐空间连续，可以做分子属性优化（比如在隐空间里沿着溶解度梯度走一步）。
• 缺点：生成分子多样性不够，容易产生“均值分子”——什么都像，什么都不管用。
• 我踩过的坑：曾经用VAE生成10000个分子，结果一半以上结构相同，只是某个甲基的位置变了变。说白了，后验崩塌问题在分子领域很常见。

1.3.2 GAN 做分子生成

GAN 通过生成器和判别器的对抗训练来生成分子。生成器试图骗过判别器，判别器则努力分辨真假分子。

• 优点：能生成更锐利、更真实的分子结构，尤其在图像领域表现惊艳。
• 缺点：训练极其不稳定，模式崩塌频发；生成离散分子序列时梯度很难回传。
• 我踩过的坑：有一次跑GAN花了三天调参，最后生成的都是同一个苯环衍生物。后来索性换成WGAN-GP，稳定性好一些，但多样性依旧不理想。

特性	VAE	GAN	扩散模型
训练稳定性	高	低	高
分子多样性	中	低（易模式崩塌）	高
生成质量	中（偏模糊）	中（易出现无效结构）	高
条件控制难易	易（隐空间连续）	难	中（需训练条件模型）
推理速度	快（单步采样）	快（单步前向）	慢（需多步迭代）

1.4 扩散模型凭什么后来居上？

扩散模型的核心思想：先往数据里慢慢加噪声，直到变成一个纯噪声分布；然后学一个逆过程，从噪声一步步还原出真实数据。在这个过程里，模型每一小步只预测当前噪声的增量，而不是一步到位勾画出分子。

• 为什么效果好：每一步的预测任务都很简单（只去掉一点点噪声），所以模型容易训练，不容易崩。
• 多样性有保证：因为每一步都引入随机采样，生成结果天然多样，不像VAE那样坍缩。
• 质量高：多步迭代相当于反复修正，最终生成的分子结构很少出现无效键或五元环以外的不合理环。

我曾经在一个实际项目里对比了同批数据训练的 VAE、GAN 和扩散模型。扩散模型生成的有效率（可被RDKit解析率）达98%，而GAN只有72%。从那以后，我组里的所有分子生成任务几乎都迁移到了扩散模型上。

上图展示了我个人的理解框架：从目标分子空间出发，经过三种主流生成模型，最终产出带属性约束的候选分子。扩散模型凭借去噪迭代的思路，在质量和多样性上脱颖而出。我想强调一点：这张图里“扩散模型”节点放在下方，是因为它区别于前两者的“生成机制”——不依赖隐空间插值，也不依赖对抗博弈，而是利用逆向扩散过程在离散分子结构上做精细修复。

1.5 一个小结

到这你应该明白，分子生成不是一个“一键出药”的魔法。它是计算化学、深度学习与药物设计交叉的产物。我个人习惯把不同生成方法看作不同的“口味”

• VAE 像“安全牌”——不出错，但也难出彩。
• GAN 像“冒险牌”——偶尔惊艳，常常失控。
• 扩散模型像“精品手作”——慢工出细活，质量有保障。

在后面的章节，我会带你一步步实现扩散模型，从数据预处理到模型搭建，再到生成和评估。你想想看，如果能让计算机自动产生大量新颖又可靠的药物分子，那该多有意思。