分子生成：分子多样性

可视化演示

分子多样性是评估生成模型质量的重要维度，过于相似的分子集合降低了虚拟筛选的覆盖面，本文讨论多样性度量指标内部多... 切换模式查看不同维度。

多样性度量：为什么货架不能只摆一种水果

水果店老板在开业前会先想清楚一个问题：我的货架要覆盖哪些品类？只卖苹果的店叫专卖店，卖上百种水果的店叫精品超市。分子生成模型同样面临“货架定位”：如果生成的分子全都围绕同一个母核打转，后续的虚拟筛选就只能在很小的化学空间里打转。多样性度量就是回答“我的货架有多丰富”的量化工具，它决定了生成模型能否真正帮助我们发现新分子。

多样性度量主要分为两个维度：内部多样性关注分子两两之间的差异程度，骨架多样性关注分子核心骨架的覆盖范围。前者回答“分子们彼此有多不像”，后者回答“分子们跨越了多少个结构家族”。两者结合，才能完整描述一个分子集合的丰富度。评估流程通常是：生成分子集合 → 计算分子指纹 → 选择度量指标 → 输出多样性分数。

一个通用的内部多样性计算方式是统计所有分子对的平均差异：

回到水果店：内部多样性高，意味着货架上的水果品种、大小、口感差异明显；若所有水果都像个孪生兄弟，哪怕数量再多，顾客也会觉得“没得选”。多样性度量，就是把这种“没得选”变成可以计算的数字。

内部多样性：每两件货的相似程度

假设老板想评估现有货架的丰富度，他会怎么做？最直观的办法是拿起任意两件水果比较——苹果和香蕉差异大，红富士和嘎啦差异小。把所有“两两比较”的结果综合起来，就是货架的整体丰富度。内部多样性正是按这个思路设计的：对分子集合中每一对分子计算相似度，再取“1 - 平均相似度”作为多样性分数。

技术实现上，先为每个分子生成指纹（下文会详述），再用 Tanimoto 系数计算两两相似度。Tanimoto 系数的定义是两个分子特征集的交集大小除以并集大小：

内部多样性的优点在于计算简单、对任何分子集合都适用。但它有一个明显的局限：对“骨架”不敏感。就像水果店里苹果和梨虽然在外观上很不同，但都属于蔷薇科——某些结构类似、取代基不同的分子可能相似度低，但骨架完全相同。只看内部多样性，可能会高估集合的覆盖范围。因此，我们需要下一节的骨架多样性来互补。

骨架多样性：不同大类的骨架

水果店老板若只按“大小”和“颜色”进货，可能会买回一堆梨形苹果、苹果形梨——看起来不同，本质上还是同一个家族。真正让货架丰富的，是引入香蕉、橙子、葡萄这些不同“骨架”的品类。在分子世界里，Bemis-Murcko 骨架就是分子的“品类标识”：它去掉侧链和取代基，只保留环状核心和连接链结构。拥有相同 Bemis-Murcko 骨架的分子，共享同一“结构家族”。

骨架多样性的度量思路是：统计生成分子集合中出现了多少种不同的骨架，计算“唯一骨架数 / 总分子数”的覆盖率：

骨架多样性高的好处很直接：如果 AI 生成了一批覆盖多个骨架家族的分子，虚拟筛选就能探索不同的化学空间区域——相当于水果店里苹果、香蕉、葡萄各自都有货，顾客总能找到想要的。实际应用中，RDKit 的 MurckoScaffold 模块可以直接提取骨架；大多数用于分子生成的论文都会同时汇报骨架覆盖率与内部多样性。

分子指纹：给分子办一张身份证

要比较两个分子是否相似，得先有一套“特征记录”。分子指纹就是分子的“特征身份证”：把分子的结构信息编码成固定长度的二进制向量。老板不需要记住每颗苹果的每一处细节，只需要记录“红色、圆形、有果柄”等关键特征；分子指纹做的也是类似的事——把原子类型、化学键、环结构等关键信息哈希成 0/1 向量。

常见的指纹有三类：MACCS 指纹是 166 个预定义的结构键，每个键对应一个特定子结构是否存在；ECFP（扩展连通性指纹）以每个原子为中心，对周围环境进行圆形扩展并哈希，能捕捉更细微的局部结构；此外还有路径指纹等。有了指纹，分子之间的相似度就变成向量之间的距离问题。除 Tanimoto 外，也常用余弦相似度：

指纹选择直接影响多样性度量的质量。ECFP 对局部结构敏感，适合捕捉细微差异；MACCS 偏重官能团层面，语义更清晰。实际项目中通常两者都算，分别评估内部多样性与骨架多样性。回到比喻：指纹就是老板手中的商品登记簿，登记得越细致，判断“相似”和“不同”就越准确。

覆盖质量：丰富与新鲜都要兼顾

货架上的水果种类再多，如果一半已经腐烂，顾客也不会买单。同样的道理，分子集合多样性高不代表每个分子都有价值。覆盖质量讨论的是：在追求化学空间覆盖的同时，如何保证分子的可合成性、药效或特定物理化学性质。多样性是“广度”，质量是“高度”，两者缺一不可。

化学空间覆盖率是另一种覆盖度量：将化学空间划分成网格，统计生成分子占据了多少网格。覆盖率越高，代表集合分布越广。公式上可以写成：

在实际评估中，研究者会把覆盖率和分子质量指标（如药物相似性 QED、合成可及性 SA）放在一起看。一个高分分子集合必须是“既广又好”：利用帕累托前沿可视化，横轴是多样性或覆盖率，纵轴是平均质量分数，位于前沿上的点才是兼顾两者的最优候选。这就像老板进货时既要品类丰富，也要每颗水果都新鲜可口。

生成策略：有方法地选品进货

知道了“多样性很重要”，接下来要回答“怎么让生成模型产出多样的分子”。直接采样往往倾向于产出高频、相似的分子——就像老板凭直觉进货，总是顺手拿同一批畅销货。温度采样是控制随机性的经典手段：在 softmax 分布中引入温度参数 $\tau$，温度越高，低概率分子的出场机会越大：

除了调节温度，更结构化的策略包括条件生成（在生成时指定目标骨架或分子性质标签）和去重聚类（生成后按指纹聚类，从每个簇中挑选代表分子）。条件生成像是有计划地进货：老板明确知道“我要进香蕉和橙子”；去重聚类则像收货后的质检：把同一批货里长得太像的挑出来，只保留一个代表。多种策略叠加，才能让生成集合既有广度又有组织性。

平衡方法：丰盛与品质的博弈

多样性和质量往往存在张力：追求极致的多样性，就可能混入大量质量低劣的分子；只盯着质量，又会退回“全是红富士”的老路。多样性-质量平衡的核心思路是：不要二选一，而是用多目标优化的思想寻找折中方案。

帕累托优化是常用的理论框架：一个解（分子集合）如果无法在不降低多样性的前提下提升质量，就称为帕累托最优。实际操作中更常见的是加权评分：

更多的工程做法还包括多目标奖励：在强化学习生成分子时，奖励函数同时包含“质量得分”和“多样性得分”，让模型在训练过程中自己学会兼顾两者；以及筛选策略：先生成大规模候选，再用“最大多样性优先”的子模选择算法（如贪心挑选与已选集合最不相似的分子）筛出代表性子集。这就像老板进货时既不会只进一种水果，也不会把烂果子摆上货架——先定品质底线，再追求品类丰富。

评估工具：店面月度盘点

有了度量指标和平衡策略，最后一步就是落地评估。RDKit 是化学信息学的瑞士军刀：它提供 MurckoScaffold 提取骨架、MACCSkeys 生成指纹、Descriptors 计算物化性质，几乎所有多样性指标都能在几十行代码内实现。评估流程的标准做法是：生成分子集合 → 标准化（去重、去盐） → 计算指纹与骨架 → 计算内部多样性、骨架覆盖率、质量指标 → 汇总成报告。

评估还需要直观的可视化。TSNE/UMAP 可以将高维指纹降到二维，让研究者“看见”分子集合的分布：理想的集合在图上应该均匀铺开，而不是挤成一团。一个完整的评估报告通常包含三部分：多样性指标数值表、骨架分布饼图、化学空间散点图。这三者结合，才能回答“这个生成模型到底值不值得用”。

回到水果店：多样性和质量的各项指标就像是店长的月度盘点表——进货渠道（骨架覆盖率）、单品差异度（内部多样性）、顾客满意度（质量分数）一览无余。有了这样一套标准流程，AI 生成分子就不再是“盲盒开箱”，而是一门可度量、可优化、可复盘的科学。

AI 应用场景

Python 演示

import itertools  class MolecularSet:    """一个只依赖标准库的分子集合多样性计算器。"""     def __init__(self, smiles_list):        self.smiles_list = list(smiles_list)        self.fingerprint_list = [self._fingerprint(s) for s in self.smiles_list]     @staticmethod    def _fingerprint(smiles):        """将 SMILES 转成简化字符特征集，近似分子指纹。"""        features = set(smiles)        features.add("len:%d" % len(smiles))        features.add("ring:%d" % smiles.count("1"))        features.add("cis:%d" % smiles.count("c"))        return features     def jaccard_distance(self, i, j):        fp_i = self.fingerprint_list[i]        fp_j = self.fingerprint_list[j]        inter = len(fp_i & fp_j)        union = len(fp_i | fp_j)        return 1.0 - inter / float(union)     def internal_diversity(self):        n = len(self.smiles_list)        if n < 2:            return 0.0        total = 0.0        for a, b in itertools.combinations(range(n), 2):            total += self.jaccard_distance(a, b)        return 2.0 * total / (n * (n - 1))  if __name__ == "__main__":    demo_molecules = [        "CCO", "CCC", "CCN",        "c1ccccc1", "c1ccncc1",        "C1CCCCC1", "C(=O)O", "CC(=O)C",        "CC=CC", "c1ccc(cc1)O",    ]    mset = MolecularSet(demo_molecules)    print("分子数量:", len(mset.smiles_list))    print("内部多样性: %.3f" % mset.internal_diversity())

1. features = set(smiles)将 SMILES 字符串拆成字符集合，模拟指纹特征。
2. features.add("ring:%d" % smiles.count("1"))统计环结构数量，作为补充特征。
3. inter = len(fp_i & fp_j)求两个指纹特征集的交集大小。
4. union = len(fp_i | fp_j)求并集大小，用于 Tanimoto 分母。
5. return 1.0 - inter / float(union)返回 Jaccard 距离，即 1 减去 Tanimoto 相似度。
6. itertools.combinations(range(n), 2)枚举所有不重复的分子对，避免重复计算。
7. return 2.0 * total / (n * (n - 1))所有分子对距离求和后取平均，得到内部多样性。

常见误区

面试题