🤖 machine learning

Generative Molecular Morphing for Flexible-Size Design via Unbalanced Optimal Transport

本文介绍了 Morph，一种基于非平衡最优传输的灵活尺寸生成模型，它克服了当前扩散方法中固定原子数量的限制，从而实现了卓越的性质操控和分布外 3D 分子设计。

原作者： Malte Franke, Stefan P. Schmid, Zarko Ivkovic, Kjell Jorner, Andreas Krause

发布于 2026-06-08

📖 1 分钟阅读☕ 轻松阅读

原作者： Malte Franke, Stefan P. Schmid, Zarko Ivkovic, Kjell Jorner, Andreas Krause

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

想象一下你是一位试图为一座城市设计新建筑（分子）的大师级建筑师。在过去，最先进的建筑师（AI 模型）有一个严格的规则：他们只能设计具有固定房间数量的建筑。

如果他们想盖一栋房子，他们必须预先决定：“这栋房子恰好有 4 个房间。”如果他们想盖一栋摩天大楼，他们必须决定：“这栋摩天大楼恰好有 50 个房间。”他们无法从一个 2 居室的小木屋开始，然后神奇地将其扩展成一座豪宅，也无法将一座豪宅缩小成一间小屋。他们被困在了最初设定的房间数量中。

这篇论文介绍了一位名为 Morph 的新 AI 建筑师。Morph 非常特别，因为它不在乎房间的数量。它可以从一张白纸（或一个小草图）开始，在绘制蓝图的过程中动态地增加或删除房间，同时确保建筑稳固且外观美观。

以下是 Morph 的工作原理，通过简单的概念进行拆解：

1. 问题所在：“固定房间数”陷阱

目前大多数用于设计分子的 AI 模型就像那些刻板的建筑师。它们假设原子的数量（即“房间”）从一开始就是固定的。

问题： 许多重要的分子特性（例如其溶解在脂肪中的能力或其强度）都与其大小直接相关。如果你无法改变大小，你就很难引导 AI 去创造具有特定属性的分子。
结果： 如果你要求一个固定尺寸的模型设计一个巨大的分子，它可能会失败，因为它只在小型分子上进行了训练。这就像要求一个只知道如何建造简易棚屋的模型突然去建造一座大教堂；它不知道如何进行规模化扩展。

2. 解决方案：“像黏土一样变形”

Morph 将分子设计视为像雕刻黏土一样。

过程： Morph 不仅仅是画一张静态的图，它从一个粗略的形状开始。在它细化设计时，它可以：
- 插入（Insert）： 添加新的原子（增加一个新房间）。
- 删除（Delete）： 移除不必要的原子（拆掉一面墙）。
- 替换（Substitute）： 改变原子的类型（把木门变成钢门）。
- 移动（Move）： 移动原子位置，使结构完美契合。
神奇之处： 它在做这一切的同时进行操作。它不仅仅是在增加房间，它还在决定需要多少个房间的同时，重新排列整个建筑。

3. 核心秘诀：“非平衡最优传输”

当起始草图与最终分子之间的原子数量不匹配时，Morph 如何知道起始草图中的哪个原子对应最终分子中的哪个原子？

作者使用了一种叫做**非平衡最优传输（Unbalanced Optimal Transport）**的数学技巧。

类比： 想象你有一堆红砖（你的起始草图）和一堆蓝砖（你的目标设计）。这两堆砖的大小不同。
旧方法： 你试图将每一块红砖都完美地匹配到一块蓝砖上。如果两堆砖的大小不等，数学计算就会崩溃。
Morph 的方法： 它说，“好吧，让我们尽可能多地进行匹配。对于多出来的蓝砖，我们会凭空‘创造’它们（插入）。对于多余的红砖，我们会直接‘丢弃’它们（删除）。”
这使得 AI 能够从一个微小、杂乱的草图平滑过渡到完美、复杂的分子，即使起始和结束的规模完全不同。

4. Morph 能做什么（实验结果）

论文在两个主要任务上测试了 Morph：

从零开始构建（De-novo Design）： Morph 创建有效、稳定的分子方面，表现得与最好的固定尺寸模型一样出色。它并没有为了灵活性而牺牲质量。
引导设计（Steering the Design）： 这是 Morph 脱颖而出的地方。
- 场景： 你想要一个非常“油性”（高亲脂性）的分子。通常，油性分子体积更大。
- 固定尺寸模型： 如果你要求一个固定尺寸的模型制作一个巨大的油性分子，而它只在小型分子上训练过，它可能会崩溃或产生垃圾数据。
- Morph： 你告诉它，“给我做一个油性分子。” Morph 会意识到，“好吧，为了具备油性，我需要变得更大，”于是它在生成过程中增加了更多原子。它成功创建了比其训练数据中看到的任何分子都要大 40% 的分子。
支架修饰（Scaffold Decoration）： 想象你有一个特定的乐高底座（“支架”），你想在上面构建一个独特的结构。Morph 可以获取该底座，并智能地添加合适的部件来完成分子，而其他模型在保持底座完整的同时修改结构大小方面则表现挣扎。

5. 局限性（代价）

论文诚实地指出了缺点：

训练难度更大： 因为 Morph 必须同时学习如何添加、删除和移动物体，所以它的训练需要更多的时间和计算资源（比其他一些模型长约 2.5 倍）。
生成速度较慢： 因为它必须做出许多细小的决策（比如一次添加一个原子），而不是直接画出一张固定的图，所以完成单个分子的步骤更多。

总结

Morph 是一种打破了分子设计中“固定尺寸”规则的新型 AI 工具。它不再受限于预先确定的原子数量，而是可以在过程中实时生长或收缩分子。这使得科学家可以要求具有特定属性（如大小或溶解度）的分子，并让 AI 自动计算出实现该属性所需的正确原子数量，从而为发现以前 AI 模型无法触及的全新类型的化学物质打开了大门。

技术摘要：通过非平衡最优传输实现灵活尺寸设计的生成式分子变形

1. 问题陈述

当前的 3D 分子设计生成模型，特别是扩散（diffusion）和基于流（flow-based）的方法，面临一个关键的算法限制：它们在固定的原子数量（ $n$ ）上运行。这种约束阻碍了模型学习分子属性与分子尺寸之间的联合分布。由于许多化学性质与原子数量有着本质的联系，固定尺寸人为地限制了模型的表达能力和可控性。因此，这些模型难以在结构与属性之间建立复杂的联系，无法有效地整合结构先验（如骨架），并且无法生成训练分布之外（OOD）关于尺寸的有效分子。

2. 方法论

作者引入了 Morph，一种用于几何图的灵活尺寸生成模型，它可以在生成过程中动态调整节点（原子）的数量。该方法将连续动力学与离散跳跃相结合，形式化为一种跳跃流过程（jump-flow process）。

核心组件：

状态空间： 该模型在一个由不同尺寸几何图的商空间并集定义的态空间 $\mathcal{G}$ 上运行，并考虑了 $SE(3) $（平移/旋转）和$ S_n$（置换）对称性。
生成动力学： 该过程结合了：
1. 连续流： 由速度场 $v_t$ 控制，负责移动原子位置。
2. 离散跳跃： 由具有速率密度 $u_t$ 的连续时间马尔可夫链（CTMC）控制，实现节点的插入、删除和类型替换。
通过条件生成器匹配（CGM）进行训练： 为了绕过边际生成器（marginal generator）的不可计算性，模型使用了 CGM。它通过回归配对端点 $(g_0, g_1)$ 之间的条件速度和跳跃速率来学习，其中 $g_0$ 是先验图， $g_1$ 是目标分子。
用于对齐的非平衡最优传输（UOT）： 其核心创新是使用 UOT 来对齐不同尺寸的几何图（ $n_0 \neq n_1$ $n_{0} \neq = n_{1}$ ），从而定义插值路径。
- UOT 目标函数最小化一个包含传输成本、质量删除惩罚（ $w_{del}$ ）和质量插入惩罚（ $w_{ins}$ ）的代价函数。
- 边编辑成本被设为零，理由是能够从 3D 结构和化合价中推断出键拓扑。
- 生成的传输方案通过在增广空间上使用匈牙利算法进行离散化，以确定精确的编辑集合（匹配、插入、删除）。
- 匹配的位置通过 Kabsch 算法进行旋转对齐，以确保 $SE(3)$ 不变性。
插值路径： 基于 UOT 匹配，模型为三种模态定义了条件概率路径：
- 匹配节点： 位置遵循高斯路径；类型遵循调度器（scheduler）。
- 插入节点： 节点在特定的事件时刻采样，其位置是从以目标为中心的高斯分布中提取的。
- 删除节点： 节点持续存在直到特定的事件时刻，之后它们及其边将被移除。
损失函数： 训练目标是最小化预测值与目标条件生成器之间的 Bregman 散度，该损失由运动（MSE）、替换（交叉熵）、插入（泊松 NLL 和 GMM）、删除（二元交叉熵）以及电荷预测项组成。

3. 关键贡献

向 3D 几何图的扩展： 本工作将灵活尺寸序列生成技术扩展到了 3D 几何图，实现了将结构先验（如骨架）无缝集成到生成过程中的功能。
基于 UOT 的匹配算法： 作者提出了一种基于非平衡最优传输的匹配算法，用于对齐不同尺寸的几何图，从而定义用于训练的目标概率路径，处理了该问题的跨维度特性。
增强的可控性与 OOD 生成： 论文证明了 Morph 在无条件生成方面能达到最先进（SOTA）固定尺寸模型的水平，同时提供了更优的属性可控性。至关重要的是，它能够在以往模型失败的范畴（例如更大的分子尺寸）中实现成功的分布外（OOD）生成。

4. 结果

从头设计（De-novo Design）： 在 QM9 数据集上，与 SOTA 固定尺寸模型（FlowMol, MiDi, EQGAT-diff, SemlaFlow）相比，Morph 在原子稳定性、分子稳定性、有效性和唯一性等指标上达到了极具竞争力的水平，且通常使用的函数评估次数（NFE）更少或相等。它在更复杂的 GEOM-Drugs 数据集上也表现良好。
属性控制：
- 尺寸调节： 当以显著高于训练分布的原子计数进行条件约束时（OOD），Morph 能保持高有效性，生成的分子原子数比最大的训练样本多出高达 40%。固定尺寸模型在此类范畴下会失效。
- LogP 调节： 模型能够根据辛醇-水分配系数（logP）成功引导生成分子的尺寸，恢复了训练分布的尺寸边缘分布，并在低支持度或 OOD 的 logP 区域生成有效分子。
骨架修饰（Scaffold Decoration）： 在药物优化任务中，Morph 能够成功地将小型化学骨架扩展为完整的分子，同时保留核心子结构，实现了极高的有效性和唯一性。

5. 意义与主张

论文声称 Morph 解决了当前生成式分子设计中的一个根本局限：无法在生成过程中调整分子尺寸。通过学习尺寸与属性的联合分布，Morph 释放了以下潜力：

无与伦比的采样灵活性： 能够从单个模型生成各种尺寸的分子。
提升发现潜力： 具备探索训练分布之外（OOD）化学空间的能力，这对于发现具有特定、未知属性的新型分子至关重要。
结构先验集成： 能够将骨架作为起始点进行灵活扩展，这是药物研发中的常见需求。

作者也承认了其局限性，包括由于组合复杂性导致的训练成本增加、需要更多 epoch 才能达到 SOTA 性能，以及目前由于 CTMC 特性而对高积分步数的依赖。他们将 Morph 定位为加速化学科学发现的有力工具，特别适用于需要灵活尺寸生成的任务。