🤖 machine learning

DriftingMol: Decoder-Coupled Drift for One-Pass Property-Conditional Molecular Generation

DriftingMol 提出了一种低成本、单遍式的属性条件分子生成框架，该框架通过将 DiT 生成器与冻结的 SELFIES 解码器耦合，并借助一种新颖的解码器耦合漂移机制（该机制通过解码器的特征图反向传播梯度），实现了高有效性、高多样性以及目标属性相关性。

原作者： Jiangjie Qiu, Yijun Li, Wentao Li, Xiaonan Wang

发布于 2026-05-26

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jiangjie Qiu, Yijun Li, Wentao Li, Xiaonan Wang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象你是一位主厨，正试图发明一道新菜谱。你希望这道菜尝起来有特定的风味（比如“辣但不太咸”），但同时你也必须确保食材能够真正协同作用，创造出一道真实可食用的菜肴，而不是一团化学废料。

本文介绍了一种名为DriftingMol的新型“菜谱生成器”，用于创造新分子。其工作原理可拆解为以下简单概念：

1. 问题：“试错”陷阱

通常，当计算机尝试发明新分子时，它们会使用一种缓慢的迭代过程。这就像试图通过不断凿去石块来雕刻一座雕像：检查形状，再凿去更多，再次检查，如此重复数百次，直到看起来正确为止。这种方法既昂贵又缓慢。

此外，还存在一种风险：计算机可能会创造出一种在纸面上看起来不错，但在化学上根本不可能存在的“分子”（就像一座没有桥墩的桥）。

2. 解决方案：两阶段装配线

DriftingMol 通过一个仅需一次快速通过即可生成分子的两步装配线来解决这一问题。

第一阶段：蓝图制造者（冻结的解码器）
首先，系统在一个包含大量已知有效分子（ZINC250K）的庞大库上训练一个“蓝图制造者”（一种称为 VAE 的神经网络）。这台机器学会了如何将简单的代码（一个数字）转化为有效的化学菜谱（称为 SELFIES 的字符字符串）。
- 关键技巧： 一旦这台机器训练完成，我们便将其冻结。我们不再更改其权重。它成为一个可靠且不可更改的翻译器，保证接收到的任何代码都会转化为有效的分子。
第二阶段：漂移生成器
接下来，我们训练第二台机器（一个 DiT 生成器）来生成那些简单的代码。与其进行试错，这台机器使用了一种称为**“漂移”**的技术。
- 想象你正试图走向一种特定的气味（目标属性，例如“高药物相似性”）。“漂移”就是一阵将你推向正确方向的微风。
- 生成器创建一个代码，冻结的蓝图制造者立即将其翻译为分子。系统随后检查：“这个分子闻起来像我们想要的那样吗？”如果不是，它会计算出一个“推力”（梯度），以促使生成器下次尝试略微不同的代码。

3. 秘密武器：“解码器耦合漂移”

这是本文最大的发现。

大多数先前的方法试图使用通用地图或单独的“属性检测器”来推动生成器。作者发现，这就像试图用另一座城市的地图来导航这座城市，效果不佳。

DriftingMol 做了一件巧妙的事：它直接使用冻结的蓝图制造者本身作为地图。

隐喻： 想象蓝图制造者是一位讲“化学语言”的翻译。当生成器发送一个代码时，翻译器不仅输出分子，还会向生成器低语：“嘿，如果你稍微改变这个数字，化学结构就会以非常特定的方式发生变化。”
由于生成器听从了这种低语（保持“梯度路径”畅通），它学会了如何精确调整其代码以命中目标属性，同时保持有效性。

如果你切断这种连接（停止低语），生成器就会失明。它无法区分好分子和坏分子，从而停止工作。

4. 结果：快速、有效且多样

该论文在包含 250,000 个分子的庞大数据集上测试了这种方法。

速度： 它单次通过即可生成分子。无需缓慢、重复的试错。这就像打个响指就能得到结果，而不是在石头上慢慢凿刻。
有效性： 由于使用了冻结的蓝图制造者，它生成的几乎每个分子在化学上都是有效的（就像真正的菜谱）。
可控性： 它成功针对特定属性（如“药物相似性”或“溶解度”）进行了优化。
多样性： 为了防止计算机只是反复复制同一个分子（模式崩溃），它们添加了一种“排斥”力。这就像告诉厨师：“做一道辣菜，但要确保它与你之前做的 10 道辣菜不同。”

5. 他们证明了什么（消融实验）

作者进行了 15 项不同的实验以证明其方法的有效性：

如果他们使用通用地图： 结果很差。
如果他们切断与蓝图制造者的连接： 结果几乎为零。
如果他们使用“解码器耦合”方法： 他们获得了最佳结果，在保持分子独特性的同时，以高精度命中目标属性。

总结

DriftingMol 是一种快速、单步的分子生成器。它通过训练生成器去聆听冻结的、预训练翻译器的“低语”来工作。这确保了它发明的每一个新分子在化学上都是有效的，命中所需的属性，并且是独特的——所有这一切都无需运行缓慢、重复的检查。

注：该论文严格专注于生成具有特定属性的有效化学结构。它并未声称这些分子对人类安全、作为药物有效或已准备好用于临床；这些是本研究未涵盖的下游步骤。

技术摘要：DriftingMol

问题陈述
本文解决了属性条件分子生成的挑战，该任务要求以低采样成本生成有效且多样的分子，使其能够响应连续的目标属性值（例如 QED、LogP）。现有方法面临权衡：迭代采样方法（如扩散模型或强化学习）在推理阶段计算成本高昂，而潜在空间或基于图的解码器在离散解码导致邻近潜在状态坍缩时，往往会丢失连续属性信号。此外，确保分子有效性（语法和价态正确性）仍是一个离散约束，这增加了连续属性控制的复杂性。

方法论
DriftingMol 引入了一个两阶段框架，将“漂移模型”（drifting models）适配到 SELFIES 潜在分子空间中。

两阶段流程：
- 阶段 1： 在 ZINC250K 数据集上训练一个 SELFIES $\beta$ -VAE。编码器将令牌序列映射到 256 维潜在空间（ $z$ ），一次性 Transformer 解码器并行预测 SELFIES 位置。此阶段建立了一个正则化的连续潜在空间，其中有效性继承自 SELFIES 表示，而非由生成器学习。
- 阶段 2： VAE 被冻结。一个 DiT 风格的生成器（ $f_\theta$ ）被训练，以在单次前向传播中将高斯噪声、可选的属性条件（ $c$ ）以及嵌入的引导尺度（ $\alpha$ ）映射到潜在向量 $\hat{z}$ 。最终分子通过冻结的 SELFIES 解码器对 $\hat{z}$ 进行解码获得。
解码器耦合漂移：
核心创新在于漂移场的定义。DriftingMol 不使用外部特征提取器，而是利用冻结的 VAE 解码器的隐藏表示（ $\phi$ ）作为漂移特征图。
- 漂移场： 基于解码器特征，在生成的潜在向量（ $\hat{z}_i$ ）和参考潜在向量（ $z_{ref, j}$ ）之间构建核漂移场： $V_{\tau, i} = \sum_j W^\tau_{ij} (\phi(z_{ref, j}) - \phi(\hat{z}_i))$ 。
- 梯度耦合： 关键在于，虽然解码器权重被冻结，但从漂移损失通过解码器特征图 $\phi(\hat{z})$ 回溯到生成器参数 $\theta$ 的梯度路径保持开放。这创建了一种“拉回度量”（pullback metric），其中生成器的更新由解码器的局部结构敏感性加权。
- 多样性： 在损失函数中添加了 $k$ -NN 潜在排斥项（ $L_{zdiv}$ ），以防止模式坍缩并确保唯一性。
训练目标：
生成器最小化漂移损失（ $L_{drift}$ ），该损失将生成潜在向量的解码器特征拉向由属性匹配参考定义的目标分布，并结合多样性正则化。

主要贡献

SELFIES 潜在漂移流程： 一种低成本的属性条件生成框架，将有效性（由 SELFIES/VAE 处理）与可控性分离。
解码器耦合漂移： 一种机制，利用冻结的 VAE 解码器作为漂移特征空间，同时保留通过解码器到生成器的梯度路径。这将漂移梯度与实际分子解码过程对齐。
消融证据： 一项全面的 15 条件消融研究证明，解码器耦合是属性控制的主要驱动力，其表现优于潜在空间、随机特征和外部特征漂移变体。
效率： 该方法仅需一次生成器评估加一次冻结解码器传递即可实现属性偏差，避免了迭代去噪或 ODE 积分。

结果
在 ZINC250K 上针对 QED 和多属性条件进行评估：

QED 控制： 默认 DriftingMol 设置实现了 0.493 的 QED 斯皮尔曼相关系数（ $\rho$ ）和 94.7% 的唯一性。最强的解码器耦合变体（无多样性正则化）达到 $\rho = 0.510$ ，但唯一性降低（74.1%）。
多属性条件： 在协议匹配的四属性条件（QED、SA、LogP、MolWt）下，解码器耦合漂移实现了 0.598 的平均斯皮尔曼相关系数。
消融发现：
- 耦合的必要性： 分离解码器或使用停止梯度的模型产生的 QED 相关系数接近零（ $\rho \approx 0.01$ ），且唯一性极低。
- 特征质量： 外部训练特征（如 LatentMAE）或随机特征导致显著较低的相关性（ $\rho \approx 0.28\text{--}0.33$ ），表明仅凭预测特征若无解码器的雅可比矩阵是不够的。
- 多样性： 移除 $z$ -多样性项略微提高了相关性，但大幅降低了唯一性，证实了该术语在防止模式坍缩中的作用。
基线： 在同一潜在缓存上训练的相同骨干基线（VAE、WGAN-GP、DDPM、Flow-Matching）实现了显著更低的相关性（ $\rho < 0.16$ ）。

意义与主张
本文主张解码器耦合漂移是一种高效的属性偏差分子生成机制。其意义在于数学洞察：冻结的解码器不仅提供了一个特征空间，而且提供了一个特定的拉回度量（ $J_\phi^\top J_\phi$ ），该度量定义了生成器被优化的几何结构。该度量将生成器的更新与分子解码器的结构敏感性对齐。

作者强调：

有效性是表示层面的： 有效性由 SELFIES 表示和冻结解码器保证，而非由条件生成器学习。
单次传递效率： 该方法避免了迭代采样的高推理成本。
属性偏差与精确性： 该系统旨在进行属性偏差生成（将库富集到目标区域），而非属性精确优化。它不保证可合成性或生物活性，生成的分子需要下游过滤。
机制特异性： 性能提升具体归因于通过解码器的梯度耦合，而不仅仅是使用预训练 VAE 或外部特征提取器。