1、LSTM与化合物生成概述：分子生成与深度学习的关系

各位朋友，咱们今天进入这门课的第一个话题——分子生成到底跟深度学习有什么关系？我个人习惯先把问题说清楚，再讲技术怎么干。说白了，新药研发的起点就是找到有活性的分子，而传统方式靠化学家画结构，试错成本高得吓人。我十年前刚开始接触这个方向时，就觉得这事儿必须用算法来加速。

分子生成的核心目标很简单：给定一些约束（比如靶点、活性、毒性），让模型自动产生大量新颖且合理的分子结构。那为什么要用深度学习？你想想看，化学空间的理论大小是10^60量级，穷举不现实。深度学习能学到化学规则的隐性分布，直接从这个分布里采样，效率高很多。

分子生成问题：为什么要用深度学习？

传统的分子生成方法主要有两种。一种是基于片段的拼接，像搭积木一样。另一种是基于规则的穷举。但它们的共同问题是——

  • 搜索空间有限：只能组合已知的分子片段
  • 缺乏全局约束：很难同时满足多个目标
  • 生成速度慢：每生成一个都得化学家手动检查

深度学习带来的是端到端的生成范式。我做一个简单的对比表格，你看就明白了：

方法 原理 缺点 深度学习优势
碎片拼接 预定义碎片库 + 连接规则 碎片数量限制，难出新颖骨架 隐式学习碎片模式，自动拓展
遗传算法 进化搜索，交叉变异 收敛慢，容易早熟 分布平滑，采样可控
变分自编码器（VAE） 编码 → 隐空间 → 解码 离散分子表示难连续化 序列模型天然处理离散符
LSTM 循环结构，按字符预测 长依赖易遗忘，但比传统RNN好很多 显式建模SMILES序列顺序

这里面最关键的一点：分子结构可以被表示成字符串。最常见的就是SMILES表示法，比如水分子H2O可以写成O，苯是c1ccccc1。SMILES本质上就是一个字符序列，恰好是LSTM最擅长的活儿。你想想看，自然语言处理里LSTM能写诗、能翻译，那用在SMILES序列上，道理完全一样——只要模型学会下一个字符该是什么，就能构造出完整分子。

LSTM凭什么胜任分子序列生成？

LSTM长短期记忆网络的最大特点是引入了门控机制。它解决了普通RNN的梯度消失问题，能记住几百步之前的上下文信息。举个具体的例子：

SMILES CCO 表示乙醇。模型在生成最后一个O时，需要知道前面有两个碳原子且已经饱和，不能加多余氢。LSTM的遗忘门可以控制前面的C和C对当前O的影响权重，输出门又把记忆压缩成合理概率。这种机制让生成出来的分子99%以上都是化学上有效的。

我曾经在早期项目里试过直接用普通RNN，结果生成的SMILES有一半连语法都不对，比如括号不对称、环编号混乱。当时我意识到，必须用LSTM。后来换上去，有效率直接跳到87%。嗯，这里要说明：剩下的13%可能是连写法规，比如出现c1cc2c3c1这种自相交环，但至少语法对了。

我个人觉得LSTM在化学信息学里能站稳脚跟，还有一个原因——它容易训练。你不需要特别大的模型，几百万个分子就能训出不错的生成器。代码实现也简单，基本上就是一个嵌入层、一个或两个LSTM层、一个分类头：

import torch
import torch.nn as nn

class LSTMMoleculeGenerator(nn.Module):
    def __init__(self, vocab_size, embed_dim=128, hidden_dim=256, num_layers=2):
        super().__init__()
        self.embedding = nn.Embedding(vocab_size, embed_dim)
        self.lstm = nn.LSTM(embed_dim, hidden_dim, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_dim, vocab_size)

    def forward(self, x, hidden=None):
        x = self.embedding(x)
        out, hidden = self.lstm(x, hidden)
        logits = self.fc(out)
        return logits, hidden

这个模型训练时，输入一串SMILES字符，预测下一个字符。推理时从起始标记开始，逐字符采样直到终止标记。完整流程我画了个图，你一看就明白：

LSTM生成分子流程图 LSTM生成分子核心流程 分子库（SMILES） 预处理（Token化） LSTM训练 逐字符采样 新分子（SMILES） 有效性评估 虚线箭头表示：评估不合格的分子反馈回训练集或调整采样温度 循环迭代直到生成出满足化学约束的有效分子

从图上你可以看到，整个流程是闭环的。评估这一步非常关键，我做过一个项目，生成出来的分子有93%在化学上有效，但评估一通后真正能进下一轮的只有不到30%。为什么？因为除了语法有效，还得满足分子量、logP、可合成性等约束。LSTM只负责语法正确，其他任务需要后处理。

小提示：初期训练LSTM时，建议先用ChEMBL或ZINC数据库的100万条SMILES。我试过用MDL SDF解析直接丢进去，结果很多含盐、含碎片的分子导致模型学到奇怪的片段。清洗步骤不能省——去盐、去重复、保留合理原子数。

我在项目中遇到的坑与经验

讲三个我自己踩过的坑吧，你以后做项目时能少走弯路。

  1. SMILES表示不唯一——同一个分子可以写成多个SMILES，比如丙酮可以是CC(=O)C也可以是C(C)C=O（不规范）。模型会学到这种冗余表示，导致生成时稳定性差。我的对策：训练前用RDKit把所有SMILES规范化成同一个Canoical SMILES。
  2. 长序列遗忘——虽然LSTM比RNN强，但当分子长度超过80个字符时，依然会出现环编号错乱。我曾经遇到一个38元大环内酯，模型从来没生成成功过。后来我把LSTM层数从1增加到2，再把hidden_size从128提到256，才勉强解决。
  3. 采样温度对有效性影响巨大——温度太高（>1.5）生成的全是乱码，温度太低（<0.3）全是高频片段重复。我踩过的教训是：把温度设置在0.8~1.0之间，同时加上Top-k采样（k=5~10），效果稳定很多。

注意：不要以为LSTM生成出的分子一定可合成。即使化学语法正确、符合分子量范围，可能合成路线极其曲折甚至不可能实现。我合作过的药化同事经常抱怨“你生成的分子很美，但我买不到原料也做不出来”。所以后续必须有可合成性打分器（如SCScore）做二次过滤。

最后再说说LSTM在化学信息学里的其他应用。除了分子生成，它还常用于反应预测、分子性质回归（比如logP预测）、以及逆合成分析。但咱们这门课只专注在生成环节。你想想看，生成只是第一步，后续还要对接ADMET预测、对接打分、优化，但学会了生成就等于拿到了「开天辟地」的钥匙。

嗯，关于LSTM与化合物生成的关系，今天就先聊到这儿。下节课我们会深入具体的数据集准备和SMILES分词实操。

← 上一章 📖 返回目录 下一章 →