第2章 分子表示方法：SMILES、图表示、3D坐标

做分子生成，选对表示方式，就等于选对了“赛道”。不同的表示方式，直接决定了你的模型结构和损失函数该怎么设计。我是从SMILES入门的，后来被图表示虐过，最近又在折腾3D坐标。每种方式都有它的脾气。今天咱们就掰开揉碎聊聊。

2.1 SMILES表示与损失函数

SMILES说白了就是用一串字符来描述分子结构。比如苯就是 c1ccccc1，乙醇就是 CCO。你想想看，这本质上就是个序列生成问题。很多早期的分子生成模型，直接把分子当成"化学式的句子"来处理。损失函数嘛，自然就用了NLP里那套。

L = - Σ_{t=1}^{T} log p(y_t | y_<t)

我在项目里踩过一个坑：SMILES序列长度差异巨大。像阿斯匹林才20几个字符，一些大环化合物能到上百。如果你用固定长度padding，空白处也是损失计算的一部分。嗯，这里要注意——空白填充会引入噪声，我建议用mask机制把padding位置排除掉。代码实现时加个注意力掩码就行。

# 伪代码：带mask的交叉熵损失
loss = F.cross_entropy(predictions, targets, reduction='none')
loss = loss * mask  # mask: 有效位置为1，padding为0
loss = loss.sum() / mask.sum()

L_reinforce = - R * log p(y|θ)

2.2 图表示与损失函数

SMILES的序列视角有一个致命问题：化学结构本质是图，不是线性序列。两个在SMILES上距离很远的原子，在图里可能紧挨着（比如环上的邻位关系）。所以后来大家开始用分子图——节点是原子，边是化学键。这就意味着损失函数要处理拓扑结构。

图表示下有两种主流损失设计方向：

1. 逐节点/逐边预测损失：把生成看成一步步添加原子和键。损失函数用交叉熵或者负对数似然，但计算时需要按图拓扑对齐。
2. 图编辑距离损失：生成整张图后，计算生成图与目标图的编辑距离（节点插入/删除/替换、边操作）。这个损失很难做梯度下降，通常配合对比学习或者VAE框架使用。

我习惯把图生成损失拆成三块：

L_graph = L_node + L_edge + L_validity

其中：
L_node = - Σ_i Σ_k y_ik log p_ik          # 节点类型预测
L_edge = - Σ_{i,j} Σ_m e_ijm log p_ijm    # 边类型预测
L_validity = penalty(违反化学规则的程度)    # 软约束

有人说加惩罚项会降低模型探索性。说实话，我觉得初始阶段加一点惩罚项能帮你快速收敛到合理空间，后期再逐渐减小惩罚系数。

2.3 3D坐标表示与损失函数

如果SMILES是“怎么拼”，图是“怎么连”，那3D坐标就是“怎么摆”。对于需要对接、构象分析的场景，你得直接生成原子的三维空间位置。这就涉及到连续坐标的回归问题。

3D生成损失通常包含两部分：

• 坐标回归损失：MSE或Huber损失，对比生成坐标与真实坐标。
• 距离矩阵损失：保证生成的分子内部几何关系合理（键长、键角、二面角）。

我参与过一个蛋白质-配体对接生成的项目，当时用纯MSE损失训模型，生成出来的分子坐标基本都对上了，但键长严重偏离——有些C-C单键居然只有0.8 Å。后来加了拉普拉斯损失（Laplacian loss）做平滑约束才好转。

L_coord = MSE(x_pred, x_target)  # 坐标直接回归
L_dist = MSE(D_pred, D_target)   # 距离矩阵损失
L_angle = MSE(angle_pred, angle_target)  # 角度损失（可选）

L_3D = L_coord + λ₁ * L_dist + λ₂ * L_angle

2.4 不同表示的对比与选择

为了帮你快速做决策，我列个对比表：

我个人习惯是：先看任务，再选表示，最后设计损失。不需要上来就搞最复杂的3D，很多分子生成问题用图表示就足够了。我记得有一次给客户做先导优化，他们非要上3D，结果数据量不够，坐标回归总是过拟合。换回图表示+对比学习，效果反而更好。