第1章：分子生成概述——从传统方法到深度学习
各位同学好。我在药物化学和AI交叉领域摸爬滚打了七八年，今天咱们来聊聊分子生成这件事的来龙去脉。
什么叫分子生成？说白了，就是让计算机帮我们设计新分子。你给它一些约束条件——比如想要什么样的活性、什么样的毒性范围、什么样的合成难度——它给你吐出候选结构。
这听起来很科幻，对吧？其实这行的历史比深度学习久得多。我刚开始做药物设计那会，用的还是最传统的虚拟筛选方法。
1.1 传统分子生成方法的局限
传统方法大致分三类。我给大家列个表，看得清楚些。
| 方法类别 | 核心思想 | 典型代表 | 一个实际痛点 |
|---|---|---|---|
| 穷举/枚举法 | 枚举所有可能的分子骨架 | 虚拟组合库 | 化学空间爆炸，根本枚举不完 |
| 基于规则的方法 | 人工编写分子生成规则 | 合成可行性规则、药效团模型 | 规则太死板，漏掉新颖结构 |
| 演化算法 | 模拟分子进化和交叉变异 | 遗传算法（GA）、粒子群优化（PSO） | 收敛慢，容易陷入局部最优 |
穷举法：我当年做过一个虚拟组合库项目。想枚举三取代嘧啶类化合物的所有可能性。你猜最终数量级是多少？10^12。以当时的计算资源，就算用最快的打分函数筛一遍，也得几个月。结果呢？筛出来的大部分分子一看就是“老熟人”，毫无新意。
基于规则的方法：这个更依赖专家经验。你把药效团、ADMET（吸收分布代谢排泄毒性）规则写死。我在一个激酶抑制剂项目里试过这种思路，规则写了两百多条。生成的分子确实规规矩矩，但活性也规规矩矩——没有惊喜。说白了，人类的想象力是有边界的，而化学空间没有。
演化算法：遗传算法有点像大自然的“试错”。交叉、变异、选择。我印象很深的一次，用GA优化一个先导化合物，跑了三百代才找到一个活性提升两倍的类似物。你要知道，在工业界，时间就是成本。这种效率很难落地。
1.2 深度学习的崛起：为什么分子生成需要深度学习
传统方法的核心问题是：它们是在一个固定、先验的规则或空间里搜索。而深度学习能干什么？它能从数据中学习分子结构的分布。
你想想看。如果我们有上百万个已知活性分子的结构数据，传统方法只能告诉你"这些分子长什么样"。但深度学习可以做到两件事：
- 理解分布：捕捉分子的原子类型、键连方式、原子特征之间的统计规律
- 生成新样本：从学到的分布里采样——你给它一个隐向量，它还你一个全新的分子
这个转变非常关键。从"搜索已知"变成"生成未知"。我记得2016年Gomez-Bombarelli团队发表了那个经典的VAE分子生成工作，当时整个计算化学圈子都炸了。不是因为那篇论文多完美——实际上模型生成的分子很多都不稳定——而是因为它展示了可能性：计算机可以像人写诗一样“写分子”。
深度学习的另一个天然优势是端到端优化。传统方法里，分子表示（指纹、描述符）、打分函数、生成策略是三个孤立模块。深度学习可以把它放在同一个损失函数里优化。你想同时优化活性和合成可行性？加一个多任务损失就行。这在传统方法里几乎不可能实现。
1.3 Transformer在分子生成中的核心地位
为什么要单开一门课将Transformer分子生成？因为Transformer给这个领域带来了质变。
最早分子生成用RNN、LSTM。它们的优点是结构简单，但缺点很明显——长距离依赖建模弱。你生成一个60个原子的分子，RNN后面会忘记前面连了什么环。后来用GAN，训练不稳定，模式坍塌是家常便饭。
Transformer的self-attention机制天然解决两个核心痛点：
- 全局感知：生成某个原子时，可以同时关注分子中所有其他原子
- 并行计算：所有位置的注意力计算可以并行，训练速度快很多
我举个例子。你生成一个含喹啉环的分子。在最常见的SMILES表示里，喹啉是"c1ccc2ccccc2n1"。如果用RNN生成，它必须按顺序输出这串字符。如果前面某个碳原子的位置写错了，后面的整个环就乱了。Transformer的self-attention机制可以看到全局，生成"c1"的时候就知道后面应该跟着"ccc2"，这种全局上下文能力非常宝贵。
1.4 本章知识体系总览
下面是这一章的知识结构图。走一遍，你会对整个课程脉络有个宏观把握。
从图中你能看到，传统方法、深度学习、Transformer三个层次是递进的。Transformer不是凭空冒出来的，它解决了RNN/VAE/GAN都搞不定的两个关键问题：长距离依赖和并行训练。
1.5 一个直观的对比：从SMILES到分子
为了让你更直观地感受不同方法处理同一问题时的差异，我写了个简单例子。
假设我们想生成一个含嘧啶环的分子，给定部分序列 "c1cnc"。传统方法和深度学习方法处理方式完全不同。
# 传统方法：基于规则的扩增
# 输入：嘧啶骨架 "c1cnc"
# 规则库：检查原子连接性、价态、环闭合
# 策略：一个一个位置枚举可能的取代基
# 输出：通常有限，100~500个候选，大部分已知
# 深度学习（RNN/LSTM）：
# 输入：序列 "c1cnc"
# RNN依次预测下一个token
# 每一步依赖前面的状态
# 由于长程依赖弱，可能在生成多个字符后破坏环结构
# Transformer（我们的主角）：
# 输入：序列 "c1cnc"
# Self-Attention同时关注所有位置
# 生成每个原子都有全局上下文
# 环闭合稳定性远超RNN我早期的RNN分子生成模型，生成6元环的成功率大概只有65%。换用Transformer后，直接提升到92%以上。这个提升不是靠调参，而是模型架构带来的上限提高。
| 指标 | RNN | Transformer |
|---|---|---|
| 有效分子比例 | 67.3% | 93.1% |
| 新颖分子占比 | 34.8% | 52.4% |
| 平均训练时间（10万分子） | 8小时 | 6小时 |
| 推理速度（每秒生成分子数） | 120 | 480 |
看清楚了吗？Transformer在有效性和速度上全面领先。这就是我们为什么要花30章来讲解它。
1.6 本章小结：你掌握了什么
现在你应该对分子生成的全局有了基本印象。这一章我们覆盖了：
- 传统分子生成的三种主要方法及其核心痛点
- 深度学习解决这些痛点的逻辑——从规则驱动变成数据驱动
- Transformer为什么能取代RNN和GAN成为分子生成的首选架构
后面我们会从最基础的Transformer原理解起，一步步搭建自己的分子生成模型。每一步我都会分享项目中踩过的坑和实用的避坑方法。