分子生成

general · First seen 2026-06-12 · Last seen 2026-11-13 · 12 mentions

Overview

分子生成是人工智能驱动药物发现与材料设计的核心技术之一,指利用生成模型(如扩散模型、流匹配、序列模型与大语言模型)自动产生具有特定化学性质的三维或二维分子结构。该方向近期的研究热点集中在三个层面:分子结构的表示方式、生成过程的可控性,以及生成结果的有效性与可合成性。

分子生成的近期进展

  • ADT:面向 3D 分子结构的全原子扩散分词器:提出针对三维分子结构的全原子扩散分词方法,将连续的原子坐标体系转化为适合扩散模型处理的离散表示,为 3D 条件下的分子生成提供了新的建模范式。
  • SNACK 提出字符串形式的图表示,序列模型可生成 100% 有效结构:该方法把分子图编码为字符串形式,让纯序列模型也能直接生成分子图,并声称可达到 100% 的结构有效性,绕开了传统图生成中常见的语法错误问题。
  • Trajectory Matching:让离散流匹配支持结构化动作序列:将离散流匹配扩展到结构化动作序列场景,可视为生成框架在分子等结构化数据上的一次通用化尝试,与扩散路线形成互补。
  • SynLaD: 面向3D药效团条件的可合成分子生成的潜在扩散框架:在潜在扩散框架中引入三维药效团条件约束,目标是生成既满足空间结合要求、又具备实际可合成性的分子,直指当前分子生成落地的关键瓶颈。
  • 当前焦点与观察点

    从近期文献看,分子生成领域正从“能生成”转向“生成得对、生成得能用”。一方面,表示方式之争仍在继续:ADT 的全原子分词、SNACK 的字符串化图表示以及高阶分子语法、嵌入式图流等工作,分别代表离散分词、语法约束和图上流模型三条路线,尚无统一结论。

    另一方面,评价体系正在快速补齐。LLMs 在空间约束下的分子生成能力基准 3D-Fit 首次系统测试了大语言模型在三维约束条件下的表现,而分子扩散模型的不确定性估计则回应了科学场景对可靠性的要求。后续值得关注的观察点包括:可合成性约束是否能稳定嵌入主流生成框架、3D 条件生成在真实药物设计管线中的验证效果,以及大语言模型与专用生成模型在该任务上的能力边界。

    Coverage

    10 on file