分子图生成：像搭积木一样搭建新分子

可视化演示

展示自回归逐步生成、范式对比与化学有效性评估，支持有效性约束调节。

分子图表示：先给乐高城堡画连接图

孩子在搭乐高之前，常常会看说明书上的结构分解图：哪块积木放在哪个位置，哪两个凸起插进哪两个凹槽。分子图生成的第一步，就是先把真实分子变成一张计算机能读懂的“结构分解图”。在这张图里，每个原子是一块积木，每条化学键是一处咬合关系。把氢原子先隐藏起来，只保留重原子，就得到一张简洁的分子骨架图。

有了“节点”和“边”的概念后，还需要把图变成数字。最常见的方式是邻接矩阵：一个 N 个原子的分子对应一个 N×N 的矩阵，第 i 行第 j 列的值表示原子 i 和原子 j 之间有没有键、是单键还是双键。这个值相当于乐高说明书里“插销咬合了几格”。与此同时，每个原子还需要一张身份证，记录原子种类、形式电荷、手性等信息，这就是特征矩阵。

有了这两张表，模型不需要看三维坐标，也能知道分子的骨架形状。就像孩子在搭积木前先看说明书，心里已经知道城堡的“骨骼”长什么样了。

图神经网络：搭积木的“手感”

有经验的乐高师傅不会只盯着一块积木看，他会同时留意这块积木周围已经砌好的砖块：左边卡得紧不紧，下面支撑稳不稳。图神经网络（GNN）模仿的正是这种“手感”。它不把原子当成孤立个体，而是让每个原子不断向邻居“打听”信息。

消息传递的过程很像师傅在工地上喊话：每个原子先把自己的向量发给邻居，邻居收到后把一圈消息“合并”成一条汇总信息，再传回给中心原子；中心原子把这条汇总信息和自己的旧向量组合，得到新的向量。这个过程重复 K 次后，每个原子的向量就携带了 K 层邻居的信息。消息传得越远，原子对周围环境的感知就越完整。

经过 GNN 编码，整个分子图还可以被“读出”成一个表示向量。这个向量像一份浓缩的搭建报告，既包含局部细节，也包含全局骨架信息，可以送给后续的生成器或属性预测器使用。

自回归生成：下一块积木怎么放

有些孩子搭城堡时习惯一块一块按顺序搭：先铺底座，再立塔楼，最后装屋顶。自回归图生成就是这个思路：模型先看到当前已经搭好的局部分子图，然后决定下一块“积木”（新原子）放在哪里、和哪些已有积木连起来。每一步只做一个小决定，但所有决定串起来就是完整分子。

模型眼中的概率世界是这样的：整张图的概率，等于每一步选择概率的乘积。第 t 步的条件是“目前已有的部分结构 $G_{<t}$”，在这个条件下，模型同时预测新原子 $v_t$ 和它与旧原子之间的边 $\mathbf{e}_t$。这一步很像孩子每次抬头看半成品，再低头挑下一块积木：前面的选择决定了后面的选择空间。

逐块搭建的好处是每一步都能请“化学规则”来把关：超价的选择不允许出现。坏处是每生成一个新原子都要调用一次 GNN，速度比“一次倒出所有积木”慢得多。

一次生成：用蓝图瞬间摆满整张桌子

另一类师傅不一块一块搭，而是先在脑中画好整张蓝图，然后把积木一次性倒到桌面上，按蓝图同时拼完。一次生成范式就是这样：模型不再逐步做出选择，而是从某个潜变量 $z$ 出发，一次性输出所有原子和所有原子对之间的连接关系。想象一个画家不看局部，直接挥毫泼墨画出整幅画。

一次生成常见于变分自编码器（VAE）或生成对抗网络（GAN）等模型。模型把目标分子压缩成一个潜变量 $z$，$z$ 像一张缩略蓝图；解码器再根据这张蓝图，把所有节点的特征和所有边同时“打印”出来。对每个边，模型输出一个概率，表示这条边是否存在、是单键还是双键。

一次生成的优势是速度快，适合大规模扫库；缺点是所有位置同时决定，局部信息容易互相矛盾。就像把所有积木同时摆上去，可能两块积木抢同一个插槽。

化学有效性保证：不让积木长出第六个插槽

乐高积木的插槽数量是出厂固定的：四格积木只能接四根插销，硬塞五根，积木就会开裂。化学中的原子也有类似的“插槽容量”——碳通常最多连四根键，氮一般连三根，氧一般连两根。分子图生成最重要的安全红线，就是不能让某个原子“长出第六个插槽”。

化学有效性保证有两种常用做法。第一种是“生成中约束”，模型每预测一步，就把会让原子超价的候选动作直接掩码掉，相当于师傅搭到一半就发现自己手里这块积木不能硬塞。第二种是“生成后校验”，先把分子图生成出来，再用 RDKit 等化学工具检查价态、电荷、芳香性，不合法的结构就丢弃或修复。

有了这些约束，生成的分子才不是天马行空的“散装积木”，而是能够真正放进化学世界、被合成和测试的候选结构。

评估方法：验收城堡的合格率

城堡搭好后，师傅要验收：每个接口是否都扣紧了？每座城堡是不是长得一模一样？有没有设计出新样式？分子图生成也有自己的“验收指标”。最基本的是有效性，也就是生成结果里有多少是化学上合法的分子；这个指标像“每 100 座积木城堡有几座没有散架”。

但只谈有效性远远不够。模型可能学会偷懒，永远输出同一个合法分子，因此需要唯一性来排除重复；如果模型只是背下训练集里的分子，还需要新颖性来衡量有多少生成结果是训练集里没见过的。对于真正有用的 AI 设计，还要看性质命中率：生成一万个分子，有多少个落在目标熔点、溶解度或活性阈值之内？这决定了模型是花架子还是真能帮科学家缩小搜索范围。

评估方法就像城堡质检员的验收单：没有验收，生成模型就成了盲人摸象；有了这几项指标，研究者才能公平地比较不同分子图生成方法的优劣，从而真正把 AI 用在新材料发现的流水线上。

AI 应用场景

Python 演示

# 简化版自回归分子图生成器:原子像乐高,每次加一块并检查插槽from collections import defaultdict VALENCE = {'C': 4, 'N': 3, 'O': 2}  class MolBuilder:    """用价态规则维护一个正在生长的分子图"""     def __init__(self):        self.atoms = []        self.bonds = {}        self.used = []     def add_atom(self, symbol, connect_to):        """symbol 是新原子类型, connect_to 是 [(已有原子下标, 键级)]"""        if symbol not in VALENCE:            raise ValueError("unknown atom: " + symbol)        order_map = defaultdict(int)        for other, order in connect_to:            order_map[other] += order        if sum(order_map.values()) > VALENCE[symbol]:            raise ValueError("too many bonds for new atom")        idx = len(self.atoms)        self.atoms.append(symbol)        self.used.append(0)        for other, order in order_map.items():            if self.used[other] + order > VALENCE[self.atoms[other]]:                self.atoms.pop()                self.used.pop()                raise ValueError("no free valence on neighbor")        for other, order in order_map.items():            self.bonds[(min(idx, other), max(idx, other))] = order            self.used[idx] += order            self.used[other] += order        return idx     def is_valid(self):        for i in range(len(self.atoms)):            if self.used[i] > VALENCE[self.atoms[i]]:                return False        return True     def adjacency(self):        n = len(self.atoms)        A = [[0] * n for _ in range(n)]        for (i, j), order in self.bonds.items():            A[i][j] = order            A[j][i] = order        return A  if __name__ == "__main__":    m = MolBuilder()    c0 = m.add_atom('C', [])    c1 = m.add_atom('C', [(c0, 1)])    n2 = m.add_atom('N', [(c1, 1)])    o3 = m.add_atom('O', [(c0, 1)])    print("atoms:", m.atoms)    print("adjacency:", m.adjacency())    print("valid:", m.is_valid())

1. VALENCE = {'C': 4, 'N': 3, 'O': 2}定义每类原子的“插槽容量”，这是化学有效性检查的依据。
2. order_map = defaultdict(int)先把同一邻居的多根键合并，防止重复占槽被绕过。
3. if sum(order_map.values()) > VALENCE[symbol]:检查新原子这一侧是否超载。
4. idx = len(self.atoms)新原子编号等于当前原子列表长度，天然形成顺序生成。
5. self.bonds[(min(idx, other), max(idx, other))] = order用无序对存边，保证邻接矩阵对称。
6. return self.used[i] <= VALENCE[self.atoms[i]]最终全图校验，相当于给整座堡垒做验收。

常见误区

面试题