生成分子可合成性：SA Score 与可制造性约束

可视化演示

展示SA Score多特征打分计算、约束融入分子生成流程、后过滤候选分子筛选管线及三种策略SA/多样性/产率对比，含星座网络背景和发光动画。

可合成性概念

主厨面对的第一道难题，是如何判断一张菜谱可不可行。方法很朴素：先看食材在市场上见不见得到，再看工序长不长。药物化学家看到 AI 画出的分子时，脑子里闪过的也是同样的问题——这玩意儿合成得了吗？那些由罕见杂环、密集手性中心堆叠而成的漂亮结构，往往看一眼就知道是实验室的噩梦。

在生成模型与真实实验之间，横亘着一条巨大的“可行性鸿沟”。模型感受不到烧瓶、溶剂和反应温度，它只擅长在化学空间里漫游。SA Score（Synthetic Accessibility Score，合成可及性评分）正是用来丈量这条鸿沟的标尺，它由 Ertl 和 Schuffenhauer 于 2009 年提出，目前是评估分子可制造性最常用的指标。

SA Score 从两个维度估计合成难度：分子中结构片段在已知化合物库中出现的频率，以及分子本身的拓扑复杂度。评分范围 1 到 10，1 代表极易合成，10 代表几乎无法合成。药物化学实践通常以 SA ≤ 4 或 5 作为候选分子的筛选线，超过这条线的分子会被直接降级或要求重新设计。

这就像主厨用“食材可得性 + 工序复杂度”给每张菜谱打出 1-10 的难度分，低于 4 分的菜才有资格进入本周菜单。

SA Score计算

主厨的评分细则听起来合理，但具体怎么打？答案是两本账：第一本账记录食材在市场上出现的频率——萝卜白菜满街都是，松露出现在高级进口超市，而“喜马拉雅冰莲”只在传说里。第二本账记录做菜的工序复杂度——炒鸡蛋三步搞定，舒芙蕾要控温、打发、水浴，一步不能错。SA Score 的计算，正是把分子拆成“食材片段”记第一本账，再数分子结构的“工序复杂度”记第二本账。

计算时先把分子切割成一系列结构片段，每个片段在 PubChem 等化合物库里都有一个统计出现概率。接着统计分子的环数、桥环、立体中心等复杂度特征。两项按权重叠加，归一化到 1-10，就得到最终的 SA 分数。

$$\displaystyle \text{SA}(m) = \underbrace{-\sum_{i \in \mathcal{F}(m)} \ln P(f_i)}_{\text{片段稀缺项}} + \underbrace{\beta \cdot \log(1 + C(m))}_{\text{复杂度罚项}}$$

其中 $\mathcal{F}(m)$ 是分子 m 切割出的片段集合，$P(f_i)$ 是片段 $f_i$ 在库中的出现概率，$C(m)$ 是复杂度计数，$\beta$ 是权重系数。

1. 片段集合：$\mathcal{F}(m)$ 把分子按化学键规则拆解成若干结构片段，类似菜谱中列出所有食材。

$$\mathcal{F}(m) = \{ f_1, f_2, \dots, f_n \}$$

2. 对数概率：$\ln P(f_i)$ 是片段出现概率的对数，概率低时绝对值大，代表食材罕见。

$$\ln P(f_i), \quad P(f_i) \ll 1$$

3. 负号取稀缺：$-\ln P(f_i)$ 将罕见的片段转化为较大的难度贡献，罕见扣分多。

$$-\ln P(f_i) \gg 0$$

4. 复杂度罚项：$\beta \cdot \log(1 + C(m))$ 对环数、立体中心等结构复杂度做平滑惩罚，复杂度越高罚分越高。

$$\beta \cdot \log(1 + C(m))$$

5. 两项求和：片段项与复杂度项相加后归一化到 1-10，即 SA Score 的最终值。

$$\text{SA} = \text{片段项} + \text{复杂度项}$$

这就是菜谱评分器的内部公式：罕见食材扣分多、步骤复杂扣分多。理解它，你就知道 SA Score 为什么能反映合成难度，也明白它本质上是一个基于统计的启发式估计。

约束融入生成

如果等菜谱交上来再逐张评审，一千张里可能有九百张是废纸，后厨团队累死也筛不完。聪明的做法是给创作过程立规矩：跟创意助手说，只允许用超市能买到的食材，工序不超过十步。这样产出的菜谱天然靠谱。分子生成同样如此——与其在生成后再费力筛选，不如把可合成性约束直接融入生成模型。

工程上有三种主流的融入方式。第一种是条件生成：把 SA Score 作为条件变量输入生成器，让模型学会生成指定难度区间的分子。第二种是目标函数惩罚：在 VAE 的重构损失或 GAN 的对抗损失中，加入 λ·SA(m) 惩罚项，强行压低生成分子的难度。第三种是强化学习：把 SA 分数作为奖励信号的组成部分，用策略梯度引导生成器探索“又新颖又好做”的区域。

$$\displaystyle \max_{\theta} \; \mathbb{E}_{m \sim p_\theta(m)} \left[ R_{\text{活性}}(m) - \lambda \cdot \text{SA}(m) \right]$$

这个式子描述的是目标函数惩罚与强化学习共用的核心思想：最大化“活性收益”与“可合成性代价”的差值，λ 控制两者间的权衡。

1. 生成分布采样：$m \sim p_\theta(m)$ 表示从参数为 θ 的生成模型分布中采样一个分子，θ 是模型权重。

$$m \sim p_\theta(m)$$

2. 活性收益：$R_{\text{活性}}(m)$ 是用预测模型评估的分子生物学活性得分，对应菜品的“美味程度”。

$$R_{\text{活性}}(m)$$

3. 合成惩罚：$\lambda \cdot \text{SA}(m)$ 是可合成性惩罚项，λ 是超参数，越大模型越倾向于生成易合成分子。

$$\lambda \cdot \text{SA}(m)$$

4. 期望与最大化：$\mathbb{E}[\cdot]$ 求平均收益，$\max_\theta$ 表示调整模型参数使平均净收益最大。

$$\max_{\theta} \; \mathbb{E}[\cdot]$$

把“超市可购 + 工序简短”直接写进创作需求单，生成器从一开始就不往高难度区域跑，后处理压力骤减。

后过滤策略

即使生成器已经带有可合成性意识，概率采样总会带来漏网之鱼——就像再严格的创作要求，也可能混进一张用液氮做的甜点菜谱。这时后厨需要一道质量检验关卡，把不合格的菜谱挑出来扔掉。后过滤在 AI 分子生成流程中是最直观、成本最低的兜底策略。

后过滤发生在生成完成之后、实验之前。它通常不是单一条件的简单判断，而是多指标联合评估：先看 SA 阈值，再看预测活性，最后核查合成路径是否真实存在。只有全部条件满足的分子才被放行进入实验室。

τ 是 SA 阈值，η 是活性阈值，$\mathcal{T}_{\text{已知}}$ 表示已知反应模板集合。三个条件用逻辑与连接，缺一不可。

这相当于“主厨终审 + 营养师复核 + 供应链核对”三道关叠加，把侥幸漏网的“好看不好做”分子拦在实验室门外。

逆合成验证

菜谱难度评分再科学，终究是估算。也许“炭烤天山雪莲”听着吓人，但实际只需三步：超市买莲、上炭烤架、撒盐。真正可靠的验证，是把成品菜倒着拆回去，一步步确认能否还原成基础食材。化学上这叫逆合成分析（Retrosynthetic Analysis），是分子可制造性验证的黄金标准。

逆合成的思路是把目标分子当作“成品菜”，用反应模板反向拆解：目标分子在某种反应条件下可以由哪些前体合成，每个前体又继续拆解，直到所有叶子节点都是易得的原料。整个过程构成一棵逆合成树，AI 要做的是在这棵树中搜索一条综合成本最低的路径。

$\mathcal{T}$ 是反应模板库，$P_t$ 是模板 t 下某步逆推的置信概率，K 是路径深度。整体可行性等于最优模板路径上各步概率的连乘。

从成品菜一路倒推，直到菜谱上只剩下超市里的土豆、洋葱和鸡蛋，这条路才算真正走通。

实验验证方法

主厨拿着评分、逆推完菜谱，心里也许已经有九成把握，但真正的裁判只有一个：点火试菜。端上桌之前，一切都只是纸面推演。化学领域的“试菜”就是湿实验——把合成的每一步放进真实的烧瓶里，看反应到底跑不跑得通、产率有多少、纯度高不高。

湿实验验证是分子可制造性链条的最后一环，也是最昂贵的一环。因此，工程上会用前三步（SA 打分、约束生成、后过滤）把候选数量压缩到极小，再进入实验室。实验数据还会作为反馈信号回流到生成模型，形成迭代优化闭环：模型看到哪些“看似可合成”的分子实际失败了，下次生成时就主动避开那些坑。

$\mathcal{M}_{\text{PASS}}$ 是通过 SA 门槛的候选分子空间，$E_{\text{实验}}(m)$ 是分子在湿实验中的实测表现，最终选出的 $m^{*}$ 是合成与活性综合最优的分子。

试菜之后要做记录：哪道菜客人点赞、哪道菜糊了锅。这些记录回传给创意助手，让下一轮的菜谱更接地气、更容易端上桌。

AI 应用场景

Python 演示

"""Simplified SA Score calculation and candidate filtering demo.SA Score low means easy to synthesize. Range is mapped to [1, 10]."""import mathimport random # Fragment frequency library, simulated from PubChem statistics.# Low probability means the fragment is rare and hard to obtain.FRAGMENT_FREQ = {    'methyl': 0.12, 'benzene': 0.08, 'hydroxyl': 0.07,    'carboxyl': 0.05, 'amino': 0.04, 'chloro': 0.02,    'cyclopropane': 0.003, 'perfluoro': 0.001, 'bridged_ring': 0.0005} def sa_score(fragments):    """Calculate SA Score for a molecule given its fragments."""    rare_penalty = 0.0    for frag in fragments:        prob = FRAGMENT_FREQ.get(frag, 1e-4)        rare_penalty += -math.log(prob)    complexity = len(fragments)    for frag in fragments:        if frag in ('bridged_ring', 'perfluoro'):            complexity += 2    raw_score = rare_penalty * 0.08 + math.log1p(complexity) * 1.2    return max(1.0, min(10.0, round(raw_score, 2))) def generate_molecules(count=200):    """Simulate a generative model producing random molecules."""    fragments = list(FRAGMENT_FREQ.keys())    molecules = []    for _ in range(count):        size = random.randint(2, 6)        mol = [random.choice(fragments) for _ in range(size)]        molecules.append(mol)    return molecules def post_filter(molecules, threshold=5.0):    """Keep molecules whose SA Score is not higher than threshold."""    passed = []    for mol in molecules:        score = sa_score(mol)        if score <= threshold:            passed.append((mol, score))    return passed def main():    """Run the demo: generate, score, filter and report."""    random.seed(42)    mols = generate_molecules(200)    passed = post_filter(mols, threshold=5.0)    ratio = len(passed) / len(mols) * 100    print("generated molecules: {}".format(len(mols)))    print("passed filter: {}".format(len(passed)))    print("pass ratio: {:.1f}%".format(ratio))    if passed:        best = min(passed, key=lambda item: item[1])        print("easiest molecule: {}, SA = {}".format(best[0], best[1])) if __name__ == '__main__':    main()

1. prob = FRAGMENT_FREQ.get(frag, 1e-4)从模拟频率库查片段的出现概率，查不到就按极罕见的 1e-4 处理，对应“稀有食材按最高难度计”。
2. rare_penalty += -math.log(prob)将概率转为对数再取负，罕见片段贡献很大的难度增量，这是 SA 公式的片段项。
3. math.log1p(complexity) * 1.2复杂度罚项：片段数越多、含桥环或全氟片段，罚分越高，log1p 使罚分平滑增长。
4. return max(1.0, min(10.0, round(raw_score, 2)))把原始分数归一化到 1-10 区间，和论文的 SA 范围保持一致。
5. post_filter(mols, threshold=5.0)后过滤函数主体，只保留 SA ≤ 5 的分子，对应药物化学中常用的 5 分门槛。

常见误区

面试题