《Digital Discovery》：Biologically-driven generative chemistry: using biological data to guide de novo drug designOpen Access
药物发现是一个极其困难的过程，原因在于可能存在的分子空间巨大且生物系统复杂。传统的计算机辅助药物设计（in silico drug design）方法主要关注优化化学性质，往往忽略或仅隐式处理决定化合物是否能成为可行候选药物的关键生物效应。近年来，深度生成模型（deep generative models）已成为一类强大的机器学习方法，能够生成针对特定设计目标量身定制的新颖分子结构。这些模型越来越多地不仅以化学特征为条件，还以多种类别的生物数据为条件，从生物测定（bioassays）和蛋白质结构到基因表达特征和细胞形态谱。这种生物引导的范式有望提高所生成化合物的相关性和临床可转化性。在本综述中，研究人员提供了生物条件生成模型用于从头药物设计的全面且易于理解的概述。研究人员描述了核心生成模式，同时批判性地审视了当前在基准测试和验证方面的挑战。研究人员的目的是为具有机器学习背景的研究人员指明方向，使其了解定义生物条件分子生成的数据、设计选择和评估差距。
1 引言
深度生成模型（DGMs）是近年来一些最具突破性的深度学习进展背后的推动力量，最显著的是在文本和图像生成方面。除了生成文本和图像之外，DGMs在自动化创造性科学工作（如药物发现）方面具有巨大潜力。可能的类药分子数量极其庞大；根据所用假设的不同，估计范围从约10
33到约10
60，这使得穷举枚举和虚拟筛选变得不切实际。DGMs通过在化学空间中进行更高效的探索，为寻找最有前景的分子提供了一种有希望的替代方案，有许多方法实例能够在仅看到少量训练示例后就有效生成满足特定（有时是相互竞争的）设计目标的分子。大多数早期分子生成模型主要关注优化化学性质，如亲脂性和类药性，而在很大程度上忽略了所生成化合物的生物效应。这种以化学为中心的方法限制了许多AI设计分子的相关性和临床可转化性。然而，最近用于从头药物设计的DGMs的开发和应用有所增加，这些模型明确纳入了生物数据。这一点很重要，因为生物条件DGMs可以生成不仅满足重要化学标准，而且具有有利生物学特性（如靶标亲和力、靶标选择性和毒性特征）的分子，这些因素经常被忽视但对临床成功至关重要。图1对比了传统的化学驱动药物发现流程与较新的由生物数据引导的方法。
更丰富的生物背景利用的增加在邻近的预测建模领域也很明显。最近的方法包括多模态和交互感知的蛋白质-配体亲和力预测模型，以及将化学结构与转录组学和/或细胞形态数据相结合以预测化合物活性或作用机制（MoA）的模型。尽管此类预测建模不在本综述的范围之内，但它说明了计算药物发现中化学和生物信息更紧密整合的更广泛趋势。
尽管生物驱动生成模型对药物设计很重要，但这一研究领域最近并未被综述过。虽然Born和Manica以及Sousa等人综述了2021年之前发表的少量论文，但自那以后相关论文数量呈爆炸式增长。在这里，研究人员综述了2021年之前和之后发表的论文，重点关注那些开发利用生物数据指导分子设计和优化的生成式AI方法的论文。研究人员采取跨模态视角，聚焦于四种不同形式的生物数据，考察生物信息如何被表示并用作条件/引导信号，并不仅比较相关的生成架构，还比较生物学成功是如何评估的。最后，研究人员对常见的基准测试和验证挑战提供了批判性视角，包括循环评估、批次效应、对计算代理的依赖、样本效率以及前瞻性实验验证的稀缺性。
研究人员的文献选择方法包括在Google Scholar中使用关键词搜索，同时评估已识别研究参考文献列表中的论文以及引用这些研究的后续论文。表S1提供了本文综述的85项研究的精选概述。该表的可搜索/可筛选版本可在线获取。本综述中使用的缩略语列表见附录A.1。
2 生成模型
生成药物设计模型的一个自然的首要区分是其生成过程：模型可以在单次前向传递中产生分子（一次性），逐元素构建（自回归），或在多个步骤中联合细化所有元素（迭代细化，如扩散和流匹配）。这种区分比在语言建模中更为明显，因为分子没有像句子（至少英语）通常具有的规范原子排序；分子更好地被视为一组原子和键。因此，自回归图模型必须施加任意排序或对排序进行边缘化，而离散性阻碍了通过采样的梯度。第二个正交轴是分子表示——例如简化分子输入行录入系统（SMILES）字符串、2D图或3D原子点云——它固定了模型必须遵守的对称性（图的置换不变性；3D坐标的SE(3)/E(3)等变性），进而决定了哪些架构是"自然的"。在这两个轴上，大多数模型都由一小部分骨干网络构建：生成对抗网络（GANs）、变分自编码器（VAEs）、循环神经网络（RNNs）、变换器（transformers）、扩散或流模型（图2）。这些模型在拟合数据分布、生成新样本以及处理严格的有效性和结构约束（如价态、环闭合）方面有所不同，这些约束使分子生成区别于图像和文本生成。这些架构在图2中以其一般分子生成设置进行说明，不含生物条件。所有这些架构都可以用于以化学为中心或以生物为中心的方法。这些架构的生物条件应用在第4节中讨论。
GANs让两个网络——生成器和判别器——在零和博弈中相互对抗。生成器努力创建与真实样本无法区分的合成数据样本，而判别器则试图区分真实和虚假样本。GANs已在多个模型中被适配用于分子生成。VAEs将分子编码到连续潜在空间，随后解码样本以生成新的分子结构。生成中的一个挑战是确保语法有效的分子——特别是对于像SMILES字符串这样的基于文本的表示。连接树VAE（JT-VAE）试图通过将分子图生成为子结构/片段的组装来规避此类语法错误。
在变换器之前，RNNs是建模序列数据的首选架构。它们在生物学中的应用示例包括DNA序列的功能定量和蛋白质的亚细胞定位。RNNs包含随时间演化的隐藏状态，最有效的变体基于长短期记忆（LSTM）和门控循环单元（GRU），它们为RNN配备了显式记忆。变换器具有突破性的自注意力和交叉注意力机制，彻底改变了序列建模。与RNNs相比，变换器能更好地利用并行计算，并能更好地扩展到长序列。它们现在广泛用于分子建模任务，如蛋白质性质预测和基于SMILES的生成。
扩散和流模型通过微分方程学习数据分布。两者都通过学习的轨迹逐步将随机噪声转换为结构化输出来生成结构化输出。特别是扩散模型，在条件生成任务中取得了最先进的性能，尤其是在视觉领域。受非平衡热力学启发，它们将生成视为两步过程：向数据添加噪声、将其驱动到高熵状态的前向过程，以及逐步恢复数据结构的反向过程。在分子设计中，扩散和流模型作为传统方法的稳健替代方案获得了关注，提供了改进的控制、多样性和样本质量。这些模型已广泛用于生物分子设计，通常与变换器一起使用。
除上述架构外，图神经网络（GNNs）广泛用于分子机器学习，因为它们能够在分子图上操作，这是一种自然且易于解释的分子表示，原子为节点，键为边。在生成任务中，GNNs通常通过迭代添加原子和键同时保持化学有效性来自回归地构建分子。示例包括GraphINVENT，它使用消息传递神经网络（MPNNs）来学习图构建动作的策略，以及GraphVAE，它从潜在空间采样整个图。
3 数据驱动药物发现中的目标
在数据驱动药物发现中，生成模型通常被优化以产生满足预定义目标的分子，通常与物理化学性质相关。常见目标包括有效性、唯一性、新颖性、类药性（如QED）和毒性预测。然而，分子生成的许多早期工作仅关注少数易于计算的性质，特别是QED和亲脂性的代理指标（log P），而忽略了更具临床相关性但更难建模的终点，如可合成性、代谢稳定性、脱靶效应和表型响应。这种不平衡可能导致模型生成化学上合理但生物学上无关的化合物，限制了其转化价值。
已采用一系列策略来优化分子生成以实现所需目标。这些优化策略本质上并非以化学为中心或以生物为中心；这种区分取决于用于指导生成的目标和条件信号。强化学习（RL）通常用于通过将目标函数视为奖励信号来微调生成模型，允许多目标优化和纳入不可微目标。贝叶斯优化提供了一种样本高效的替代方案来指导搜索，特别是在评估成本高昂时，通过在目标景观上构建代理模型。遗传算法（GAs）受进化原理启发，仍然流行用于分子图或潜在表示的基于种群的优化，特别是与基于适应度的选择和交叉操作相结合时。虽然这些策略可能很强大，但其有效性关键取决于所考虑性质的目标函数和代理模型的选择，以及它们在相关生物相关区域中的不确定性，突出了需要更具生物学意义的优化标准和不确定性感知方法。例如，针对细胞表型的活性直到最近才被纳入模型设计。
4 生物驱动生成模型
本节综述以四种主要生物数据类别为条件的生成模型：生物测定、蛋白质结构、转录组学和细胞形态。图3追踪了每种模态从化学扰动到用于条件的读出的过程。它们共同涵盖了药物发现中使用的广泛条件信号，从靶标效力（生物测定）和蛋白质结构的直接测量到系统级表型响应（转录组学和细胞形态）。研究人员聚焦于这四种模态，因为每种都有多项研究使用生物信息来条件/指导从头药物设计，从而能够跨方法进行有意义的比较。其他模态，包括蛋白质组学、代谢组学和表观基因组学，在药物发现中很重要，但未被纳入，因为研究人员未识别到利用这些数据源进行从头小分子生成的类似文献体系。
在本节中，一种模型优于另一种模型的说法指的是原始研究中进行的比较。由于研究之间的训练和测试数据集、数据划分、评估预算、基线和度量实现经常不同，这些结果不应被解释为统一的跨研究排名。
4.1 生物测定
生物测定是测量化合物对生物靶标的活性、效力和选择性的生物实验，使其成为指导化合物优化朝向所需表型效应的直接且有价值的条件信号。
为了设计新型抗疟疾化合物，Godinez等人提出了JAEGER，它将JT-VAE与一个训练用于预测pIC
50的网络相结合。从种子化合物（表型先导化合物）开始，他们的模型生成候选化合物，随后通过预测活性阈值进行过滤。扩展这一概念，Pikusa等人为恰加斯病开发了pqsar2cpd，它将JT-VAE编码器与基于GAN的判别器和在多样本生物活性指纹上训练的条件网络相结合。这些指纹源自剖面定量构效关系（pQSAR）模型，包括来自49个与抗原虫效力相关的测定的EC
50值。与下面描述的许多生物驱动DGMs不同，在上述两项研究中，最佳生成的分子被合成并在体外实验测试以证明功能活性。
对于帕金森病，Horne等人设计了一种先探索后利用的方法，将生成模型、RL和基于聚集测定的QSAR过滤器相结合，以设计抑制α-突触核蛋白聚集的分子。在探索阶段，GraphINVENT与RL评分函数（基于QSAR过滤器）一起使用，以生成有可能延迟聚集的分子。在利用阶段，在化学空间的受限区域内，使用化学库筛选数据（包含与探索期间发现的命中物相似的化合物）来训练低数据区制的基于LSTM的生成模型。再次使用QSAR过滤器产生比探索阶段获得的效力显著更高的分子。这种分阶段方法说明了生物测定信息反馈如何用于在具有挑战性的化学空间中进行迭代分子设计。在相关的基于QSAR的RL方法中，Zavadskaya等人改编了FREED++——一种基于片段的图卷积网络（GCN），带有对接评分的批评者——将QSAR预测的pIC
50值纳入奖励函数，用于设计脾酪氨酸激酶（SYK）抑制剂。
将生物活性引导的生成扩展到多药理学，Munson等人开发了POLYGON，一种SMILES VAE与RL相结合，奖励来自两个蛋白质靶标的预测pIC
50，以及QED和合成可及性（SA）评分。VAE在来自ChEMBL的超过一百万种化合物上预训练，靶标特异性随机森林预测器使用来自BindingDB的数据训练。他们的RL策略涉及从VAE潜在空间重复采样，最高评分的分子用于迭代重新聚焦和微调VAE。POLYGON应用于十对共依赖的癌症相关蛋白质靶标。对于MEK1/mTOR靶标对，32种生成的化合物被合成并实验测试，大多数在微摩尔浓度下降低了两者靶标活性和肺癌细胞活力。关于考虑多个蛋白质靶标和多药理学的其他方法，见第4.2.6节。
要点：在本综述涵盖的四种生物数据模态中，生物测定引导的生成提供了生成结构与生物功能之间最清晰的联系，但其通用性受到测定数据的稀缺性和任务及仪器特异性的限制。
4.2 蛋白质结构
将蛋白质结构数据纳入从头药物设计能够生成针对特定蛋白质靶标量身定制的化合物。此处综述的方法主要区别在于靶标如何表示以及该信息如何进入分子生成。虽然Vost等人最近的综述论文对基于3D的方法提供了全面覆盖，但在这里研究人员考虑更广泛的分类法，涵盖使用显式结合口袋或蛋白质-配体复合物（PLC）条件的早期工作，以及随后在直接3D生成、基于序列的方法、对接引导优化、药效团条件和多靶标设计方面的进展。
4.2.1 早期结合口袋和蛋白质-配体复合物条件
此处涵盖的方法代表了一些最早明确以蛋白质结合位点或PLC为条件进行分子生成的尝试，并为后续直接3D生成方法的发展建立了重要基线。它们涵盖了一系列分子表示，从SMILES字符串和连续密度网格到3D中的直接原子生成。第一个蛋白质结构条件方法由Aumentado-Armstrong提出，使用蛋白质结合位点图和配体SMILES——从PLC中提取——来联合嵌入蛋白质和配体，蛋白质使用GCN，配体使用JT-VAE。通过在潜在空间上的梯度下降，他们的模型使用估计的结合亲和力（BA）和化学性质（包括毒性、logP、QED和SA评分）来为给定蛋白质的结合位点提出新化合物。使用3D PLC数据，Skalic等人开发了LiGANN，它在BicycleGAN模型中使用3D版本的U-Net架构。生成的配体形状使用基于3D CNN-LSTM的形状描述网络解码为SMILES字符串。与从ZINC库随机采样分子相比，他们生成的化合物在对接和QSAR评分方面均显示出富集。
同样在3D PLC数据上操作，Ragoza等人提出了LiGAN（不要与LiGANN混淆），一种条件VAE，具有两个3D卷积编码器（用于配体-受体和受体原子密度网格）和一个用于生成配体密度网格的3D卷积解码器。受体编码器和配体解码器之间的跳跃连接用于在不同空间分辨率上传播信息，迭代原子拟合和键推断算法用于将连续网格转换为离散分子结构。还包含一个空间冲突损失项，用于惩罚不现实的原子重叠。LiGAN在CrossDocked2020数据上训练，随机抽取10个靶标蛋白用于评估。虽然未直接针对BA优化，但16%的生成化合物对测试靶标具有比已知活性参考化合物更高的预测亲和力。在LiGAN的原始版本中，使用了对抗损失项来鼓励生成看起来真实的密度网格（因此缩写），未包含空间冲突损失项，且第一个编码器的输入仅是配体而非配体-受体密度网格。
继LiGAN之后，Luo等人提出了一种方法（本文称为AR3D），使用旋转不变上下文感知GNNs和自回归MCMC采样来重建随机掩蔽的密度网格区域。在同一CrossDocked数据集上训练，它在100个测试靶标上在一系列指标（包括BA、QED、SA和多样性）上优于LiGAN（原始版本），平均29%的生成分子具有比参考物更高的亲和力，而LiGAN为24%。
Peng等人的Pocket2Mol使用E(3)-等变GNN以及注意力模块来捕获原子之间的空间和键合关系，进一步提高了性能（相对于LiGAN和AR3D）和计算效率。Pocket2Mol还使用掩蔽训练方法生成分子子结构，无需计算昂贵的MCMC采样。另一种基于自回归3D GNN的方法，Zhang等人的FLAG，通过基于分子片段/基序的生成更直接地确保现实的子结构。同样在片段层面工作，Zhang和Liu的DrugGPS使用3D图变换器，并通过全局交互图学习子口袋原型来提高泛化性。
使用3D电子密度（ED）图，Wang等人应用GAN从口袋图生成配体"填充"ED图，具有两个判别器，一个用于配体有效性，一个用于配体-口袋互补性。训练向量量化VAE来学习配体ED嵌入；以及从填充物生成配体ED图。ED图片段被分子片段替换并连接形成最终化合物。与AR3D相比，对三个测试靶标，他们生成的化合物具有相当的QED、改进的SA评分，并且在化学空间中更集中在已知活性化合物附近。
要点：值得注意的是，这些早期方法几乎都报告了相同CrossDocked靶标上的性能；然而，设置在测试靶标数量、每个口袋采样的分子数以及报告的对接量方面有所不同，因此每篇论文的百分比不应被解读为同等条件的排名，这是分子生成模型评估中的一个常见主题。
4.2.2 直接3D生成和几何建模的进展
在早期口袋条件和自回归3D方法的基础上，后续方法越来越关注直接在蛋白质结合口袋内生成和细化完整的配体结构。这一发展的大部分由SE(3)-或E(3)-等变扩散和流模型驱动，越来越强调几何有效性和可控生成。一个早期例子，Liu等人的GraphBP，使用自回归流模型和SE(3)-等变GNNs在蛋白质结合位点的连续3D空间中顺序放置原子。基于CrossDocked的10个留出靶标，GraphBP生成的化合物中27%具有比参考化合物更高的BA（相比之下LiGAN为16%）。
在两种基于扩散的方法中，Lin等人的DiffBP和Guan等人的TargetDiff大约同时开发，作者强调了自回归构建分子可能出现的差全局连贯性。两种方法都在连续3D空间中使用SE(3)-等变GNNs，并通过迭代细化生成化合物。DiffBP的作者表明自回归模型（AR3D和Pocket2Mol）遭受"早停"并生成许多小分子，而DiffBP生成的大多数分子尺寸更为合适。与AR3D、Pocket2Mol和GraphBP相比，对CrossDocked的10个测试靶标，DiffBP在41%的情况下实现了比参考活性化合物更高的BA，其次是GraphBP的30%。在CrossDocked的100个测试靶标上评估，TargetDiff在57个案例中实现了最高BA评分（与LiGAN、AR3D和Pocket2Mol相比），其次是Pocket2Mol的26个。扩展TargetDiff方法，Qian等人开发了KGDiff，它将扩散模型与SE(3)-不变亲和力预测模型联合训练（不变性意味着亲和力预测不应在PLC的平移或旋转下改变）。与TargetDiff在100个CrossDocked测试靶标上相比，KGDiff在平均Vina评分上实现了46%的改进。
为了更好地考虑原子的功能特性，Guan等人提出了DecompDiff，一种SE(3)-等变图扩散方法，其中配体被分解为臂和支架（臂与靶标相互作用，支架将臂定位在结合区域内）。额外的漂移项用于指导采样，以提高有效性并避免分子与靶标原子之间的冲突。在CrossDocked的100个测试靶标上，DecompDiff实现了最佳对接评分（与LiGAN、AR3D、Pocket2Mol、GraphBP和TargetDiff相比），并在"成功率"方面取得了优异（尽管与Pocket2Mol相当）的评分，成功率定义为生成的分子中QED > 0.25、SA > 0.59且Vina评分 < ?8.18的百分比。扩展DecompDiff方法，Zhou等人开发了DecompOpt。作者强调了对CrossDocked上训练的模型进行优化的必要性，因为该数据集中大多数配体仅达到中等BA。对于优化，在训练迭代期间选择臂，DecompOpt利用基于QED、SA和Vina Min评分的进化算法。对于CrossDocked测试靶标，DecompOpt在所有评估指标上超过DecompDiff，除了多样性，实现了53%的总体成功率（相对于DecompDiff的25%）。
Qu等人认为扩散模型可能生成结构扭曲、构象稳定性差的问题，因为建模离散（原子类型）和连续（原子坐标）数据存在固有复杂性，因此提出了MolCRAFT，一种SE(3)-等变贝叶斯流网络（BFN），在完全连续的概率参数空间中操作（原子类型使用分类先验，坐标使用高斯先验）。与TargetDiff和DecompDiff在100个CrossDocked靶标上相比，MolCRAFT在构象稳定性和BA指标上取得了显著改进，生成速度提高了30倍。
在标准扩散方法中，蛋白质-配体相互作用信息仅在反向/去噪过程中使用。Huang等人假设将此信息也纳入前向/加噪过程应改善训练和采样，提出了IPDiff，其中SE(3)-等变网络通过交叉注意力（从PLC数据预测BA）构建先验以将此信息注入两个过程。与之前几种方法（LiGAN、AR3D、Pocket2Mol、TargetDiff和DecompDiff）进行基准测试，IPDiff在BA指标上得分最高（对100个CrossDocked靶标），70%的生成分子超过参考分子，其次是DecompDiff的64%。
作为引导扩散模型的替代方法，Cremer等人提出了PILOT，它在推理阶段使用重要性采样，对具有更好SA和对接评分的化合物赋予更高权重。在ZINC的1.09亿个3D结构的初始预训练阶段之后，PILOT对E(3)-等变扩散模型和辅助性质预测模型使用CrossDocked训练数据集进行联合微调。对于100个CrossDocked测试靶标，PILOT在QED、SA和对接评分方面优于TargetDiff。在进一步的案例研究中，PILOT（使用pIC
50预测模型）被用于配体-激酶数据集以设计预测为强效抑制剂的配体。
Zhang等人的ResGen通过合并GVPs和向量神经元（VNs）来强制SE(3)-等变性。为了更好地涵盖蛋白质口袋几何形状，ResGen利用两阶段自回归策略，全局阶段捕获蛋白质-配体相互作用，随后原子阶段处理原子坐标和几何形状。对于测试靶标，ResGen优于Pocket2Mol和GraphBP。对于前5个生成的化合物，ResGen对AKT1和CDK2靶标蛋白均取得了更好的平均对接评分。对于AKT1，ResGen评分为?12.8 kcal mol
?1，其次是Pocket2Mol的?9.6。对于已知活性配体，评分为?11.9。ResGen还生成了比两个基线模型更平滑的构象，同时计算效率几乎高一个数量级。
ResGen、GraphBP和FLAG在DUD-E的94个测试靶标上表现相当差，当与Li等人的ED2Mol进行基准测试时。ED2Mol在3D中操作，首先使用卷积VAE从口袋图生成ED配体图。然后使用峰值密度搜索在生成的ED中定位核心。迭代片段扩展使用等变GNN构建最终分子。作者提出了"可靠成功率"指标，即生成的分子中具有比已知参考物更高BA且具有高质量和稳定结合姿态的比例。对于该指标，在DUD-E靶标上，ED2Mol得分为34%，其次是TargetDiff和Pocket2Mol分别为18%和16%。FLAG、ResGen和GraphBP得分较低，分别为7%、5%和0.5%。
Jiang等人的PocketFlow也利用GVPs和VNs来确保SE(3)-等变性，但在这种情况下是在自回归流方法中。当出现不现实的结构、键或化学价态时，通过重采样施加基于知识的约束。PocketFlow在10个CrossDocked测试靶标上优于LiGAN、Pocket2Mol和GraphBP，特别是在SA和BA方面。此外，最佳生成化合物的湿实验室验证确定了当时新出现的两个靶标的有希望的命中物：HAT1（其失调与癌症有关）和YTHDC1（其失调与急性髓系白血病有关）。
Schneuing等人的扩散模型DiffSBDD使用SE(3)-等变GNNs（具有可调的分子内边和分子与蛋白质之间边的截断值）。为了迭代改进参考化合物，DiffSBDD将进化算法与感兴趣性质的预言机调用以及加噪/去噪过程的重复迭代相结合。该程序以设计具有高亲和力和特异性的激酶抑制剂为例进行了展示，靶标对接评分从?7.2变为?13.9，脱靶评分从?10.8变为?8.7。
基于昂贵预言机调用（如对接模拟）的优化的替代方案是使用基于性质预测模型的梯度引导。在Dorna等人的TAGMol中，这种方法用于在从预训练TargetDiff模型采样期间调整原子坐标。另一方面，Qiu等人的MolJO在完全可微的MolCRAFT骨干中对原子坐标和类型都应用了梯度引导。使用基于QED、SA和Vina评分的性质预测模型，MolJO在100个CrossDocked靶标上实现了51%的成功率，相对于TAGMol的11%。
Schneuing等人的DrugFlow结合了欧几里得流匹配（用于配体坐标）与马尔可夫桥（用于原子和键类型），并利用GVPs来确保等变性。DrugFlow包括不确定性量化、直接偏好优化（DPO；此处用于QED、SA和Vina评分）以及结构警报过滤器。DPO通过使用精心策划的获胜和失败样本数据集避免了学习奖励函数。与Pocket2Mol、TargetDiff和DiffSBDD相比，DrugFlow取得了明显更好的Fréchet ChemNet距离（FCD）评分——一种考虑化学和生物信息的生成化合物与参考化合物之间相似性的指标——并覆盖了更多训练数据分布的模式。
Cremer等人的FLOWR——SemlaFlow用于条件生成的扩展——整合了连续和离散流匹配以联合建模原子坐标、类型和键，并利用E(3)-等变口袋编码器，与SemlaFlow解码器进行交叉注意力。在CrossDocked上的初始评估中，FLOWR显著优于所有基准（Pocket2Mol、TargetDiff、PILOT、DiffSBDD和DrugFlow），PILOT是最强的竞争者。作者强调了CrossDocked数据集的问题（化学空间覆盖有限和因忽略口袋灵活性导致的结构缺陷），精心策划了一个名为SPINDR的数据集，包含35 666个没有此类缺陷的PLC。在SPINDR上与PILOT进行评估，FLOWR获得了显著更好的有效性和Vina评分（?6.9 vs. ?6.3），同时速度快20倍。作者还展示了FLOWR.MULTI，一种用于以相互作用谱或化合物片段为条件的扩展。在后续论文中，作者展示了FLOWR.ROOT，一个围绕FLOWR构建的基础模型，包括BA预测和不确定性量化，并在有效性和Vina评分方面取得了额外性能提升。
Huang等人的SE(3)-等变扩散模型PMDM将局部和全局分子动力学分开，局部编码器用于共价键，全局编码器用于更远的原子相互作用（如范德华力），并采用交叉注意力融合蛋白质和配体信息。对于100个CrossDocked测试靶标，PMDM比DiffSBDD实现了15%更好的平均对接评分。PMDM以先导化合物生成（针对SARS-Cov-2主蛋白酶）和支架跳跃（针对激酶靶标CDK2）为例进行了展示。对于后一案例，最佳化合物被合成并在体外测试，确认了其改进的抑制活性。
Lee等人的扩散模型BInD也包括边距离的截断值，但动态应用它们，训练早期使用大截断值（用于全局语义），后期使用较小截断值进行局部几何细化。为了纳入PLIP提取的NCI模式，BInD利用二分E(3)-等变GNN。相对于基线（Pocket2Mol、TargetDiff、DecomDiff和DiffSBDD），对于100个CrossDocked测试靶标，BInD实现了更平衡的性能（在Vina和FCD评分方面表现优异）。在一个案例研究中，设计选择性抑制突变型EGFR受体同时保护野生型受体的分子，BInD化合物显示出更强的突变体结合，而Pocket2Mol和TargetDiff与两种受体的结合相似。BInD还包括一个优化模式，使用参考配体NCI模式的引导。在该模式下，突变型和野生型BA之间的差异进一步增加。
Pinheiro等人认为使用3D点云数据并显式强制SE(3)-等变性是不必要的，提出了VoxBind，它使用体素化PLC数据（对配体施加噪声）、3D U-Net架构和MCMC采样。在训练期间，VoxBind应用平移和旋转数据增强，并且由于其噪声过程不会导致原子的空间位移，它避免了扩散方法常见的空间冲突问题。与扩散基线（TargetDiff、DecompDiff和DiffSBDD）在100个CrossDocked测试靶标上相比，VoxBind取得了更好的BA、QED和SA评分，空间冲突更少，生成速度更快。
要点：直接3D生成是本文综述的分子生成中最活跃和方法论最成熟的研究方向。SE(3)/E(3)-等变性已成为默认的归纳偏置，前沿已从简单生成合理的3D构象转向通过亲和力感知先验、梯度或偏好引导以及更便宜的采样来仔细控制其生成。然而，几乎所有这些进展都是在同样有缺陷的CrossDocked基准上以自我报告的基于对接的指标来衡量的，因此成功率的增加反映的是排行榜黑客行为而非真实世界结合能力的改进。这是该领域现在才通过重新策划的数据集（SPINDR）和姿态质量感知指标（如PoseBusters）来面对的局限性。
4.2.3 基于蛋白质衍生条件的序列生成
基于序列的方法用蛋白质衍生的描述符或学习的蛋白质嵌入取代显式的口袋级生成，通常将所得分子解码为SMILES或自引用嵌入字符串（SELFIES）。Xu等人使用蛋白质口袋描述符作为条件LSTM模型的输入进行SMILES生成。他们比较了两种口袋描述符，库仑矩阵的特征值 versus 来自DeeplyTough的描述符（使用3D CNN从3D网格提取描述符）。生成的化合物比无条件模型生成的化合物更接近真实参考配体，并具有更好的BA，库仑矩阵描述符的性能略好。Zhang和Chen也使用了基于配体-蛋白质相互作用指纹的LSTM。他们的方法在CDK2和A2A靶标上优于Pocket2Mol的对接评分，但与Pocket2Mol不同，需要参考配体进行生成。在相关的后续研究中，Zhung等人开发了DeepICL，一种基于VAE的方法，其中编码器将PLC数据嵌入包含相互作用信息的潜在向量。DeepICL基于蛋白质-配体相互作用分析器（PLIP）局部建立相互作用。与没有整合相互作用信息的基线版本相比，DeepICL生成了具有更好BA且96%为新结构的化合物。
规避对PLC数据的需求，Chenthamarakshan等人提出了CogMol，这是药物发现中基础模型的早期例子，它利用来自预训练SMILES VAE的分子嵌入和来自在约2400万个氨基酸序列上预训练的无监督模型的蛋白质嵌入来训练BA回归器。为了从潜在空间生成分子，CogMol使用条件潜在（属性）空间采样（CLaSS）；以靶标亲和力、选择性（对其他靶标的低BA）和QED为条件。他们的流程——包括对毒性、合成可行性和对接模拟有利性的计算机筛选步骤——成功地为SARS-Cov-2靶标生成了满足多种约束的新颖分子。在后续研究中，这些优先分子中有8个被合成并实验测试，其中4个在靶标特异性测定中显示抑制作用。
Born等人使用蛋白质数据进行生成和训练RL批评者。通过修改他们最初为使用转录组学数据而设计的PaccMannRL模型（见第4.3.1节），他们展示了用于合成抗病毒分子的端到端流程，以SARS-Cov-2的ACE2蛋白质靶标为例。生成模型/代理由两个融合的预训练VAE（用于蛋白质和分子嵌入空间）组成，RL批评者包括预测BA的主模型——多尺度卷积注意力模型——和预测毒性的次要模型。在85%的留一法交叉验证中，他们的模型提出的结合ACE2靶标的化合物多于基线VAE（在SELFIES上操作）。通过他们的流程选择和合成的最终化合物，虽然已存在于化学数据库中，但是亚洲用于治疗流感和肝炎的广谱抗病毒药物的完整子结构。
Grechishnikova将药物生成建模为序列翻译任务（蛋白质到SMILES），使用在约250 000条BindingDB记录上训练的变换器。使用类似方法，Uludo?an等人展示了在大量未标记数据上预训练（蛋白质编码器500万，化学解码器1000万）在质量、多样性和对接评分方面的好处。Wang等人开发了GPT启发的迁移学习框架PETrans，分子编码在MOSES数据上预训练，蛋白质编码在蛋白质数据库（PDB）数据上预训练。对于迁移学习，他们使用了ExCAPE数据库中三个靶标的活性化合物。与SBMolGen（见第4.2.4节）相比，他们的方法给出了改进的对接、log P和SA评分。在相关方法中，Zheng等人利用双向BERT预训练变换器，编码器-解码器注意力模块在BindingDB数据上训练。生成的分子被对接，显示出与FDA批准药物相似的结合构象。Wu等人的TamGen在PubChem的1000万个SMILES字符串上预训练，然后在CrossDocked的氨基酸序列上训练。他们编码器的注意力模块关注氨基酸之间的空间距离，训练期间对氨基酸坐标使用数据增强。与基准方法——LiGAN、AR3D、Pocket2Mol、ResGen和TargetDiff——在100个CrossDocked测试靶标上相比，TamGen生成了更多在BA和SA方面均获得高分的化合物。TamGen也可用于细化提供的种子化合物。基于七个这样的种子，靶向结核分枝杆菌ClpP蛋白酶，生成的化合物的五个市售类似物（此前均未被鉴定为ClpP抑制剂）在生物活性测定中显示出显著抑制效果。
Ngo和Hy的基于SELFIES的TargetVAE结合了两种蛋白质视图，蛋白质氨基酸序列通过变换器编码，残基的3D信息通过包含几何向量感知器（GVPs）的GNN编码。为九个测试靶标（针对GPCR和SARS-Cov-2）生成的分子的平均对接评分均低于?6 kcal mol
?1，SA评分在合理范围内。Feng等人的基于变换器的模型Lingo3DMol通过辅助NCI/锚点预测模型整合非共价相互作用（NCI）信息（锚点是靠近口袋-配体相互作用区域的点）。作者引入了基于片段的SMILES（FSMILES）方法以更好地捕获环结构和键角。在1200万分子的内部数据上预训练，然后在PDB的1万个PLC上微调，Lingo3DMol在DUD-E的100个测试靶标上相对于Pocket2Mol和TargetDiff实现了更高质量的构象和更快的生成速度。
Wang等人的3D-SMILES-GPT也使用预训练的基于SMILES的变换器解码器，但额外将原子坐标、QED和SA编码为标记。使用高斯核描述表面原子相对位置的口袋编码器通过交叉注意力与解码器整合。训练包括对坐标的平移和旋转增强，以隐式鼓励等变性。使用CrossDocked数据的子集（仅具有有利QED、log P和Vina对接评分的分子）对模型进行RL微调。在生成构象的化学和物理合理性方面，3DSMILES-GPT和Pocket2Mol均达到了PoseBusters的86%通过率，而TargetDiff和Lingo3DMol表现较差，分别为50%和17%。3DSMILES-GPT还取得了最佳的QED、SA和平均Vina评分（?7.7 kcal mol
?1），分子大小和重量更符合参考分子。
要点：总体而言，这些方法用序列和SMILES架构的可扩展性换取了3D等变模型的显式几何归纳偏置，依靠大规模预训练来补偿它们不直接编码的结构信息。预训练能否完全替代等变性仍未解决，特别是因为最强的方法重新引入了3D信息，表明最有效的架构可能是混合的，而非位于规模与归纳偏置频谱的任一端。
4.2.4 对接引导的分子优化
在蛋白质引导药物设计中一种有趣的方法，尽管可能计算成本较高，是用对接模拟引导生成模型。这首先由Xu等人使用称为采样-对接的方法进行，其中通过从预训练JT-VAE采样生成的一组接近种子分子的分子被对接入靶标蛋白的活性位点。具有最高BA（即最低对接评分）的分子用作下一次迭代的种子。他们的算法本质上执行潜在空间的半定向探索。他们的方法生成了类似于已知CDK2抑制剂和已知及实验性SARS-Cov-2药物的化合物。为了在搜索方向上提供更强的偏置，Ma等人开发了SBMolGen，其中基于SMILES的GRU模型使用蒙特卡洛树搜索（MCTS）算法优化，以对接评分作为奖励。对于四个探索的蛋白质靶标，SBMolGen通常实现了比已知活性化合物更高的BA，同时覆盖了更大范围的化学空间。
Li等人的DeepLigBuilder利用3D GCN结合MCTS算法和对接评分奖励。由于3D分子直接在蛋白质口袋内生成，对接评分可以使用Smina非常快速地计算。在靶向SARS-Cov-2主蛋白酶的案例研究中，他们生成的分子中78%具有高预测BA，而未应用MCTS引导时为0%。Qian等人的AlphaDrug也采用MCTS和Smina计算的对接评分，但使用SMILES字符串和蛋白质序列，因此评分需要显著更多的计算时间，因为2D分子需要转换为3D姿态。AlphaDrug使用变换器架构，蛋白质编码器和化合物解码器之间具有交叉注意力跳跃连接。与LiGANN、AR3D和SBMolGen相比，在100个CrossDocked测试靶标上，AlphaDrug取得了显著更好的对接评分，平均评分为?11.6 kcal mol
?1（基线模型评分在?6.7至?7.7之间）。Li等人的基于变换器的方法CProMG探索了一种更简单的控制生成的方法，将物理化学性质和对接评分前缀到SMILES字符串。在推理时，设置下界以提示生成朝预期方向进行。然而，由于约束仅设置为下界，CProMG无法实现进一步优化。
要点：这些方法的共同点是对接评分既作为优化信号又作为成功度量，因此报告的强BA部分反映了模型因其所被评判的指标而获得奖励（循环性）。它们的主要实际差异在于将该信号保持在环路中的成本：直接在3D中生成（DeepLigBuilder）使对接成为廉价的附加项，而评分SMILES或序列（AlphaDrug）需要重复的2D到3D转换，以速度换取基于序列表示的灵活性。
4.2.5 药效团引导的生成
使用PLC或蛋白质序列数据的替代方案是以药效团模型为条件进行生成，以捕获结合所需的空间排列化学特征（包括氢键供体/受体位点和疏水基团）。使用从靶标结构推断的药效团假设，或基于已知活性物的叠加，Zhu等人提出了PGMG，一种以药效团图为输入的基于变换器的模型。对于两个测试蛋白质靶标（CDK2和AKT1），PGMG相对于Pocket2Mol、RELATION和Uludo?an等人的模型取得了更好的对接和SA评分。Wang等人的RELATION模型用于基准测试，包括一个需要3D PLC作为输入的对抗自编码器（AAE）。Wang等人发现向其模型添加药效团特征条件改善了FCD评分，但导致有效性大幅下降。使用基于对接的贝叶斯优化减轻了这种下降，但导致计算时间显著增加。
Peng等人的PhoreGen结合了3D扩散、E(3)-等变GNNs和基于变换器的解码器。为了训练PhoreGen，作者编制了约100万个配体-药效团对的数据集。在十个靶标蛋白上与上述几种方法（Pocket2Mol、DeepICL、TargetDiff、DiffSBDD、PMDM、DrugFlow和PGMG）进行比较，PhoreGen取得了更好的平均对接评分（?8.03 kcal mol
?1），同时保持高有效性、SA和计算效率。通过PoseBusters评估的生成化合物的构象也优于比较中的扩散模型。一种相关方法，Li等人的DiffPharm，利用预训练的无条件E(3)-等变图变换器基础模型MiDi，在其上包含一个基于3D图的药效团控制模块。在四个测试靶标蛋白上，DiffPharm和PhoreGen在对接评分和分子构象与药效团假设的匹配方面表现相同，但DiffPharm在生成化合物的结构多样性方面领先。
同时使用3D口袋和药效团条件，He等人开发了MEVO，它结合了向量量化VAE（在Enamine REAL数据集的96亿个合成可行化合物和ZINC20的7.5亿个化合物上预训练）和基于变换器的去噪网络，以及进化算法（针对BA优化）。对于4/5的靶标，MEVO生成了与FDA批准药物相似或更优BA的化合物。MEVO还以设计KRAS(G12D)抑制剂化合物为例进行了展示，这是一个非常难以成药的靶标，驱动一些最具侵袭性的癌症。
采取更系统生物学的方法将蛋白质信息整合到从头药物设计中，Atz等人提出了DRAGONFLY，一种图变换器与LSTM耦合，输入为药物-靶标相互作用组图（基于ChEMBL中报告的生物活性）。DRAGONFLY以设计PPARγ激动剂为例进行了展示，该靶标与多种代谢疾病和癌症相关。与上述许多研究相反，DRAGONFLY排名最高的两个化合物被合成，其生物活性在基于细胞的测定中得到确认。
要点：以药效团而非特定口袋为条件提供了一种靶标无关的抽象，可能跨结合位点泛化，且推理时不需要蛋白质结构，但由于它仅编码什么应该结合的假设，验证仍然依赖于下游对接，而在最有说服力的案例中（如PhoreGen、DRAGONFLY），还依赖于姿态质量和湿实验室跟进。
4.2.6 多蛋白质靶标和多药理学
几种药物已被回顾性证明可调节多个蛋白质靶标。这种多药理学行为可能解释其治疗功效，挑战了经典的"一个靶标，一种药物"范式。多靶标药物还可能限制复杂疾病（如癌症）通常需要的药物组合/鸡尾酒疗法的缺点。然而，设计同时满足多个靶标要求的化合物具有挑战性；迄今为止只有少数研究将生成模型应用于此任务。
Chen等人的AIxFuse通过药效团融合设计双靶标抑制剂。在这里，药效团融合意味着将两个独立靶标的药效团合并为单一规格，使得生成的分子被构建为同时满足两者。最佳基于片段的融合模式通过每个靶标的MCTS行动者和使用主动学习（AL）训练的双靶标对接RL批评者（包括QED和SA评分）来学习。与基准——包括MARS（基于MCMC的分子采样器）、RationaleRL（基于子结构的RL方法）和REINVENT2.0（基于SMILES的RL框架）——相比，AIxFuse表现显著更好。在第一个设计GSK3β和JNK3双抑制剂的案例研究中，AIxFuse实现了24%的成功率（定义为生成的化合物在QED、SA和对接评分方面优于活性化合物），MARS以18%位居第二。在第二个更具挑战性的RORγt和DHODH双抑制剂案例研究中，AIxFuse再次实现了24%，REINVENT2.0以仅5%位居第二。
Zhou等人的DualDiff重新编程单靶标扩散模型TargetDiff以操作双靶标。处理双复合物系统通过蛋白质口袋对齐，然后参数化引导反向扩散过程的漂移项来实现。来自DrugCombDB的药物组合数据子集，具有明确的协同相互作用（438个独特靶标的13 000个组合），用于评估和与Pocket2Mol和TargetDiff的比较。两个基线方法为一个靶标生成配体，然后在两个靶标上评估。对于他们的双高亲和力指标（生成的配体对两个靶标均具有比参考化合物更高亲和力的案例百分比），DualDiff得分为36%，其次是TargetDiff的29%，然后是Pocket2Mol的仅0.2%。
Huang等人的DiffDTM也使用扩散但操作蛋白质序列和2D分子图，并使用在GuacaMol数据上预训练的图变换器来学习分子语义。蛋白质序列通过预训练的ESM-2蛋白质语言模型编码。两个输入蛋白质的编码被拼接并用于交叉注意力层以融合分子和蛋白质信息。对于DRD2和HTR1A的评估，DiffDTM优于DLGN（一种基于SMILES的双靶标方法，以生物活性数据为条件），具有更好的BA，且大多数生成的分子被预测对两个靶标具有生物活性。生成的化合物还被发现具有选择性，即未被分类为对多巴胺受体DRD1和DRD3具有生物活性。
要点：多靶标设计仍然是一个小型、数据稀缺的研究领域，单靶标生成方法被拉伸到两个靶标；评估完全依赖于双对接代理，真正的挑战——对两个靶标的效力而不失去选择性——在很大程度上仍未经验证。
4.3 转录组学
转录组学数据提供基因表达水平的高维生物学读出（即基因在特定情况下被激活或抑制的程度），例如在疾病状态或响应化合物处理时。通过规避对预定义蛋白质靶标的需求，基于转录组学或细胞形态数据（见第4.4节）的表型药物发现（PDD）对于潜在机制不完全清楚且缺乏有效蛋白质靶标的疾病特别有价值。研究人员根据是否直接以基因表达谱（GEPs）为条件、朝向疾病特征逆转进行优化、专注于应对转录组学数据的噪声和高维性，或使用替代遗传信号和基于转录组学的虚拟筛选来组织对转录组学引导方法的综述。
4.3.1 基因表达谱作为条件信号
出于实际目的，目前测量全部约24 000个人类基因的表达水平是令人望而却步的。因此，开发了L1000技术，仅测量978个"标志"基因的表达水平。Manica等人通过基于208种抗癌药物在985个细胞系中顶级基因的蛋白质-蛋白质相互作用网络识别的包含2128个基因的较大子集，也已被用于从头药物设计。
自2020年以来，已有几项研究利用GEPs进行条件化合物生成。第一项由Méndez-Lucio等人（本文称为GxGAN）进行，其中基于RNN的SMILES到语法模型与两个堆叠条件GAN相结合，在L1000数据库上训练。GxGAN的目标是生成具有高概率诱导所需GEP的命中样化合物。他们的方法生成的化合物比基于约450 000个SMILES字符串虚拟筛选的相似性搜索获得的化合物更类似于已知活性/命中样化合物。然而，由于只有约10%的生成化合物是有效的，需要基于化学规则和可合成性的过滤步骤。
追求相同目标，Kaitoh & Yamanishi提出了TRIOMPHE，它使用预训练的基于SELFIES的VAE生成诱导与目标扰动（基因敲低或过表达）相似GEP的分子。他们发现SELFIES比SMILES具有更高的恢复率，并在有效性、唯一性和新颖性方面得分更高，有效性>90%。对于7/10的靶标蛋白，他们的方法生成的化合物与靶标已知配体的Tanimoto相似性高于GxGAN。他们还简要探索了使用粒子群优化生成具有增强生物活性的分子。在相关方法中，Shayakhmetov等人利用双向对抗自编码器BiAAE，其中三个对抗项将潜在空间划分为化合物独有、基因表达变化独有或两者共享的特征。由于他们的模型是对称的，并纳入化合物剂量，它也可用于预测化合物处理后的基因表达变化。
使用2D图，Pham等人提出了FAME，一种自回归基于片段的VAE模型。基于对比学习的基因表达去噪模型（GED）用于按化合物和细胞系对齐GEPs。FAME包括消息传递图同构网络（GINs）和改善稀有片段采样的方法。与GxGAN和BiAAE，以及GEP条件的MolGAN（分子图GAN）和MolecularRNN（自回归图生成RNN）版本相比，FAME在FCD评分方面表现显著更好。作者还表明，通过使用来自其GED模型的基因表达嵌入，可以实现GxGAN和BiAAE的改进性能。
为了生成预测 exhibit 低细胞IC
50的化合物，Born等人精心设计了PaccMannRL（也被修改并用于蛋白质条件生成，见第4.2.3节），其中具有GEP编码器和SMILES解码器的混合VAE使用RL优化，PaccMann批评者基于SMILES、GEPs和蛋白质-蛋白质相互作用预测IC
50。他们的方法基于2128长度的GEPs，生成了90%有效的化合物，对于探索的四种癌症类型，生成的化合物与已知抗癌药物具有结构相似性。然而，正如作者指出的，鉴于他们的批评者仅在癌症候选化合物上训练，它可能对没有抗癌效果的化合物预测过高的疗效。
要点：这些早期GEP条件模型共享一种常见方法——编码目标表达特征并解码预测诱导该特征的分子——主要区别在于生成骨干（GANs、VAEs、RL引导的混合模型）以及它们如何驯服嘈杂的高维L1000信号。关键的是，几乎所有这些方法都是通过与已知活性物的结构相似性而非任何测量或预测的表达变化来评判的，因此它们建立了可行性，但（尚）未表明条件信号真正驱动了预期的生物学。
4.3.2 潜在空间优化和疾病逆转
从另一个角度解决问题，几项研究专注于将疾病相关的GEP恢复到健康状态，通常通过优化或导航联合分子-转录组潜在空间。在Pereira等人提出的方法（本文称为GxLSTM-VAE）中——以设计USP7推定抑制剂（用于阻止乳腺浸润性癌进展）为例——他们LSTM生成器生成的分子通过SMILES VAE（在ChEMBL数据上预训练），其潜在空间与GEP VAE（在癌症基因组图谱TCGA数据上预训练）的潜在空间融合，以产生化合物处理后预期的GEP。RL引导生成，奖励基于化合物将上调和下调基因水平恢复到健康状态的能力，特别关注抑制USP7基因。对于这两个目标，以及几个化学性质指标，他们获得了比PaccMannRL和已知抗癌药物更好的评分。他们的一些生成化合物也与当时乳腺癌研究中涉及的药物相似。
使用结合预训练VAE的替代方法，Das等人提出了Gex2SGen，其中GEP编码器和SMILES解码器融合，解码器的权重使用通过特征方向（CD）方法处理的L1000 GEPs更新。仅使用高质量L1000数据，在重复测量中具有高可重复性。选择CD方法是因为它在识别差异表达基因方面比替代方法提供更好的信噪比。Gex2SGen生成了针对三阴性乳腺癌（TNBC）的新颖分子，这是一种特别具有侵袭性的癌症形式。与基准（GxGAN、BiAAE、PaccMannRL、TRIOMPHE、GxLSTM-VAE和FAME）相比，Gex2SGen在与已知抗癌药物的Tanimoto相似性方面表现最佳，但在分子有效性方面表现不佳。
受BiAAE启发，Pravalphruekul等人开发了BiCEV，一种双向化合物-表达VAE。在BiCEV中，预训练的化合物级VAE用于在联合化合物和GEP-based VAE中提供初始权重。在FCD和多样性方面，BiCEV优于BiAAE。作者还探索了基于成对协同药物组合GEPs设计化合物，基于GEPs之间加和效应的假设，同时承认实际上组合药物可能导致基因上调和下调的非加和效应。
采用无条件基于变换器的VAE，Yamanaka等人提出了DRAGONET，它在三个GEP最接近疾病逆转特征的化合物之间进行潜在空间的线性搜索。GEPs使用CD方法处理。对于三种焦点疾病（胃癌、特应性皮炎和阿尔茨海默病），他们证明DRAGONET生成的化合物与注册药物的Tanimoto相似性高于定义潜在空间角落的最佳化合物。在相关研究中，使用相同的VAE，Matsukiyo等人提出了TRIOMPHE-BOA，其中贝叶斯优化探索种子分子的潜在空间邻域，使用与目标高度相关的额外分子的结构相似性作为目标函数。对于10个目标扰动中的7个，他们的方法在与已知活性物的结构相似性方面优于GxGAN和TRIOMPHE。
再次使用预训练VAE的组合，Li和Yamanishi提出了GxVAEs，对GEP编码器和SMILES解码器进行微调。在他们的双向GRU分子VAE训练期间，使用随机SMILES进行数据增强，并使用教师强制稳定训练和加速收敛。与GxGAN和TRIOMPHE相比，GxVAEs生成的分子更类似于十个靶标蛋白的已知抑制剂，与DRAGONET相比，他们生成的分子更类似于胃癌、特应性皮炎和阿尔茨海默病的注册药物。
要点：这组方法将目标从诱导目标表达特征重新定义为逆转疾病相关特征，主要重用相同的底层方法（融合单独预训练的分子和GEP VAEs并搜索或优化联合潜在空间），但朝向潜在更具临床意义的目标。几乎所有这些方法都通过与已知或注册药物的结构相似性来排名，这种代理指标不幸地有些循环/不完整，因为类似现有活性物并不能证明预期的表达逆转将在现实世界中实现。
4.3.3 建模嘈杂和高维转录组数据
最近的研究专注于从固有嘈杂和高维转录组数据中获得更稳健表示的方法。基于VAE的方法MolGene-E由Ohlan等人提出，更关注单细胞，以MCF7细胞系为例。L1000数据被外推到覆盖全基因组的RNA seq样谱（使用捕获23 614个基因的CycleGAN模型），并过滤MCF7方差最高的基因，得到3116长度的GEPs。MolGene-E通过将重复实验的GEPs去噪到中位数谱来处理批次效应，并使用对比学习对齐化学和遗传潜在空间。在对接实验中，MolGene-E生成的化合物中具有比GxGAN和GxVAEs更好对接评分的比例更大。
利用扩散，Wang等人提出了GLDM，一种基于片段的VAE模型，包括图卷积层和对抗损失，其中GEPs通过集成到U-Net中的交叉注意力机制在去噪期间条件潜在表示。GLDM的编码器和解码器在GuacaMol的150万分子上预训练。与四个无条件基准模型相比，GLDM在分布学习方面表现良好，当以GEPs为条件时，生成的分子与已知活性物具有高结构相似性，同时在对接评估中比BiAAE获得更好的BA。
Liu等人的基于变换器的TransGEM使用L1000更稳定的3级数据训练。虽然L1000 5级数据被认为更适合生物医学发现——并且在上述许多方法中使用（FAME、Gex2SGen和BiCEV）——但它包含大量难以缓解的噪声。TransGEM用于为胰腺癌已知靶标生成分子，产生的分子与FDA批准药物具有相似的对接评分。前十个基因（注意力矩阵中得分最高的）均被发现在先前的研究中与胰腺癌发病相关。
为了实现对生成的化合物进行子结构水平的GEP引导优化，Song和Liu提出了PhenoMoler，一种预训练的SELFIES变换器模型，其中交叉注意力模块使用分子标记作为查询，GEP嵌入（来自1D CNN）作为键和值。用于子结构（支架、侧链和连接子）的掩蔽-然后-重建模块用于高效和可控的生成。在基于三个TCGA患者GEPs的案例研究中，PhenoMoler生成的化合物在结构上比非响应药物更类似于每位患者的已知有效药物。
基础模型最近被开发用于大规模单细胞RNA测序数据，一个显著例子是scGPT，在3300万个细胞的未标记数据上预训练。scGPT被Cheng等人在GexMolGen中用于基因表达编码，并使用对比学习与预训练的基于支架的分子VAE对齐。教师强制用于改善基因嵌入和输入分子解码器的分子标记之间的转换。对于从敲除基因表达数据生成潜在抑制剂，GexMolGen在与已知抑制剂的Tanimoto相似性方面优于GxGAN。
针对许多基于转录组学的生成框架的复杂性，Matsukiyo等人提出了GxRNN，一种具有三个LSTM层的RNN模型，使用教师强制的简单训练程序——一种不需要预训练的简单方法。使用与上述几项研究相同的十个靶标蛋白进行评估，并比较生成的化合物与ExCAPE已知活性配体的Tanimoto相似性，GxRNN在十个靶标中的七个上优于之前三种方法（GxGAN、TRIOMPHE和TRIOMPHE-BOA）。
要点：这里的核心挑战是L1000的噪声和高维性而非架构。方法分为增加复杂性——全基因组外推、扩散、单细胞基础模型如scGPT——和通过更清洁的数据或更简单的模型故意避免复杂性，如GxRNN，它显著地匹配了几个更复杂的前辈。这指向两个结论之一：要么流行的基于相似性的指标太弱而无法记录真正的建模收益，要么一旦数据清洁，架构复杂性几乎没有增加。
4.3.4 遗传改变和转录组学虚拟筛选
最后一组方法超越了直接以实验测量的GEPs为条件，要么用更稳定的遗传信息替代它们，要么在更大的化学库中预测转录组学响应。与以GEPs（具有固有噪声和批次效应）为条件进行分子生成相反，Kim等人提出了G2D-Diff，它转而以遗传改变信息（如突变、扩增和缺失）为条件。在临床相关基因的多个细胞系数据上训练，G2D-DIFF包括：SMILES VAE；变换器条件编码器（具有遗传改变和响应类别输入）；对比学习以对齐编码器；以及扩散模型骨干。响应类别输入（来自癌症药物响应数据）包括五个类别；从非常敏感 to 非常耐药。与PaccMannRL进行基准测试，G2D-Diff在多样性、FCD、最优传输距离（OTD）和"适应度条件"（基于内部开发和独立药物响应预测模型评估）方面取得了更好的结果。分析条件编码器的注意力系数提供了对靶标相关通路的见解，在两个三阴性乳腺癌的零样本案例研究中，生成的化合物与已知但结构不同的敏感药物结合相同的对接位点，并具有相似的预测MoAs。
为了捕获从头生成和虚拟筛选的最佳结合，Xing等人提出了GPS。由于只有有限数量的化合物具有实验验证的GEPs，GEP预测器（跨越四个细胞系的2198个基因）用于揭示ZINC中700万个化合物的可能GEPs。技术和生物变异通过简化基因表达数据（为基因上调/下调和无效应）以及基于预训练变换器（Uni-Mol、chemBERTa和MolT5）的协作学习方法形成预测对等系统来处理。对于两种疾病，肝细胞癌和特发性肺纤维化，排名最高的化合物在体外测试，MolSearch（一种使用疾病基因表达特征逆转评分的MCTS算法）用于先导优化。
要点：两种方法都对困扰原始表达谱的噪声和批次效应做出反应，但方式相反：G2D-Diff用更稳定的条件信号（遗传改变）取代读出，而GPS保留表达但预测并将其粗化为跨数百万化合物的上调/下调/无效应，模糊了从头生成和虚拟筛选之间的界限。值得注意的是，GPS是少数在体外实验验证的转录组学引导方法之一。
4.4 细胞形态
来自高内涵成像的细胞形态数据，与转录组学数据一样，提供了用于表征疾病和化合物处理影响下细胞状态的高维生物学读出。研究人员考虑直接以形态谱为条件进行分子生成的方法、检查化合物诱导所需表型程度的研究，以及将细胞形态与互补分子或生物信息相结合的新兴多模态方法。
4.4.1 细胞形态谱作为条件信号
形态分析的一个重大实际发展伴随着Cell Painting测定的出现，其中细胞使用六种荧光染料染色（或" painting"）以捕获八个亚细胞区室的信息，然后在五个通道中成像。从这些图像中，细胞可以被分割，并使用CellProfiler提取其"手工"形态特征/谱，或者可以通过自监督方法（如DINO）直接在图像级别学习表示。与转录组学技术相比，Cell Painting在速度、成本和信息内容之间取得了极好的平衡。JUMP Cell Painting联盟创建了一个大型公开可用的Cell Painting数据集。由于形态分析技术落后于基因表达分析约十年，迄今为止只有少数研究利用这些数据进行条件药物设计。
GxGAN，第一个使用GEPs指导化合物生成的方法，经过一些修改，也是第一个使用形态谱的方法：来自Cell Painting图像的CellProfiler特征。在Zapata等人改编的框架（本文称为CPGAN）中，基于GRU的VAE用于编码SELFIES。他们还通过仅包括一个条件GAN（而不是两个的堆叠）来简化问题。由于这些改变，他们的方法生成了比GxGAN更高百分比的有效分子（从10%到50%）。使用基因过表达数据，CPGAN生成了与已知激动剂相似且在一种情况下相同的分子。为了验证已识别出合理的形态-化学关联，在化学和形态空间中进行线性插值。作者得出的一个有趣结论是，复杂多目标优化的需求可能在一定程度上被规避，因为形态数据隐含地捕获了毒性和脱靶效应。
要点：Cell Painting是分子生成的一个有吸引力的条件信号：一种廉价、高信息的表型读出，隐含地将毒性和脱靶效应折叠到监督中，可能用单一（但更复杂）的学习目标取代手工指定的多目标项。尽管如此，该领域落后于转录组学约十年，反映在迄今为止发表的方法较少。
4.4.2 表型匹配和实验验证
形态引导生成的一个关键问题是生成的化合物在多大程度上实际诱导预期的生物表型，需要前瞻性实验验证或独立的基于预言机的预测代理。在Fabjan等人的后续研究中，CPGAN被实验验证，前76个生成的化合物（涵盖几个癌症靶标）被合成并通过Cell Painting和转录组学测定评估。在出版日期（2025年9月），这代表了AI生成化合物的最大实验验证集合。生成化合物的CellProfiler特征通常与CPGAN中使用的条件化合物相似，88%具有形态活性。从转录组学分析来看，37%的化合物被证明扰动了预期靶标基因的通路。
Lu等人提出的细胞形态引导生成的替代方法利用基于片段的生成流网络（GFlowNet）。几何多模态对比（GMC）损失对齐分子和形态潜在空间。由于GMC损失提供模态特定和联合嵌入，为目标形态读出生成的分子可能与读出所属化合物具有结构相似性。代替实验验证，他们研究了生成的分子在多大程度上预期诱导与读出化合物相似的生物效应。利用在多个测定数据上训练的预言机，他们验证了GFlowNet产生更多样化的化合物，相对于随机采样和基于RL的基线，具有更高的诱导与读出化合物相似生物活动的可能性（尽管预言机预测具有高不确定性水平）。
要点：这两项研究界定了验证频谱——迄今为止AI生成化合物的最大湿实验室跟进 versus 基于预言机的代理评估——两者都遇到表型数据固有的噪声。即使湿实验室研究表明，匹配形态谱远比击中预期通路容易（88% versus 37%），因为这种高维数据仅松散地映射到特定机制。代理方法通过本身嘈杂和不确定的预言机预测继承了同样的问题。目前无论是真实还是预测的读出都不能清晰地确定靶标生物学。
4.4.3 多模态形态引导生成
为了利用更丰富的条件信号，最近的方法将形态信息与互补模态相结合。Tang等人设计了MGMG，一种SMILES变换器，同时接受CellProfiler特征和文本分子描述作为输入，在融合前通过对比学习对齐。对于文本描述，MGMG使用BioT5编码器，在大量文本-分子对语料库上预训练。与CPGAN以及两个纯文本模型相比，MGMG在评估指标（物理化学性质、QED、可合成性、多样性、有效性和唯一性）方面取得了更好的结果。基于来自九个基因（其中三个已知引发强形态效应）的基因过表达数据的形态谱，MGMG恢复了五个基因的已知激活剂支架并富集。对于CPGAN，仅对两个基因如此。对靶标BA的探索（在靶标已知的情况下）显示MGMG生成的化合物保留了与靶标残基的关键相互作用，同时探索了未利用的结合口袋区域。
多项研究表明形态和转录组学数据捕获细胞状态的重叠和互补方面。为了同时从两者学习配对对照-处理实验，Wang等人设计了Pert2Mol，一种基于整流流的变换器，处理来自细胞图像和基因表达编码器的融合特征，以及来自预训练BERT模型的SMILES编码。与之前提到的基于形态的方法相反，Pert2Mol直接处理图像（使用基于ResNet的编码器）而非CellProfiler特征。Pert2Mol还使用学生-教师学习策略来平衡编码器的收敛。它与自身的基于扩散（而非基于整流流）版本以及TransGEM（仅基因表达方法；见第4.3.3节）进行基准测试。在他们的评估中，TransGem遭受模式崩溃，支架多样性非常低。Pert2Mol比其基于扩散的对应物取得了更好的FCD，生成速度提高了12倍。基于与已知活性物的结构相似性，仅基因表达版本的Pert2Mol表现最佳，但具有两种模态的版本取得了更好的FCD评分。
要点：形态引导生成正通过将表型与文本（MGMG）或转录组学（Pert2Mol）融合而变得多模态，Pert2Mol标志着从提取的形态特征学习转向直接从Cell Painting图像学习。然而，虽然添加模态的好处很有趣，但它们（尚）未清楚显示生成模型命中率的增加。
5 基准测试和验证
基准测试和验证生物驱动生成模型本质上是具有挑战性的，因为成功的定义取决于条件模态。生物测定引导的模型应生成具有活性和选择性的分子；蛋白质引导的模型应生成几何有效且与靶标口袋具有高BA的分子；对于转录组学和细胞形态，应生成诱导所需表型响应的分子。研究人员从几个角度考虑验证：生成的分子是否化学合理且生物学相关；每种条件模态的成功应如何评估；表面成功是否可能由于批次效应或混杂因素；以及模型如何高效利用稀缺的生物数据和昂贵的预言机调用。
5.1 化学合理性和生物学相关性
关于所报告论文中进行的评估，大多数包括通用质量指标（有效性、唯一性、新颖性、QED、log P和SA），以及测量分布相似性的指标，如FCD。为了在无条件生成模型之间比较这些指标，GuacaMol和MOSES等基准测试平台发挥了重要作用。对于生物条件模型，虽然这些指标仍然有用且必要，但单独使用是不够的；分子可以在这些检查中得分良好，但仍无法实现预期的生物学目标。
在所综述的论文中，评估条件信号是否以有意义的方式被使用通常通过与已知/活性化合物比较、测量相对于随机或无条件基线的富集，或使用预测模型估计生物响应来进行。评估的金标准是合成并实验测试生成的化合物。由于进行此类评估的费用高昂，从头药物设计算法生成的分子很少被合成；在本综述涵盖的研究集中，85项研究中只有12项包括合成和湿实验室验证。
5.2 模态特异性验证
生物测定条件生成通常朝向直接终点优化，如IC
50效力值。这使得评估比其他模态更直接，但如果生成的分子仅通过用于指导生成的相同QSAR模型来评判，也增加了循环性的风险。与所有模态一样，合成并在体外测试生成分子的生物测定条件研究非常有价值，因为它们提供了针对激励模型的生物学终点的前瞻性实验验证。
对于蛋白质条件模型，对接评分是BA的主要计算代理，通常使用AutoDock Vina等工具计算。然而，对接评分是BA的嘈杂近似：它们对所使用的评分函数敏感；通常忽略蛋白质灵活性、溶剂和熵效应；并且在不同靶标上具有异质性能。如果生成的结构包含几何伪影，如空间冲突、张力构象、不现实的键长和键角，或不合理的蛋白质-配体接触，有利的对接评分也是不够的。互补的姿态质量评估，如PoseBusters提供的（如3DSMILES-GPT和PhoreGen的作者所用），可以帮助识别此类情况。而ED2Mol作者提出的"可靠成功率"等指标，用于评估生成的分子中同时具有高BA和高质量结合姿态的比例，是非常有用的。
对于转录组学和细胞形态条件生成，基准测试因所需输出不是单一效力或对接/BA评分而是高维细胞响应而变得复杂。因此，几种转录组学引导的方法依赖于间接代理，如与已知活性物和注册药物的结构相似性，或针对已知靶标的对接评分。虽然这些评估有用，但它们不能保证生成的化合物会诱导预期响应。使用药物响应和MoA预测模型（如G2D-Diff作者所用）可以实现额外水平的验证。
形态条件生成也出现类似问题。CPGAN和MGMG通过其恢复与条件扰动相关的化合物或支架的能力来评估，而GFlowNet使用独立训练的多个测定的预言机模型来测试生成的分子是否可能诱导与条件扰动相似的生物活动。在本文综述的形态引导研究中，最强的验证是Fabjan等人的实验跟进，其中来自CPGAN的大量生成化合物被合成并使用Cell Painting和转录组学测定评估。
5.3 批次效应和混杂评估
对各种上述模态训练的高维数据得出的结论的有效性的一个普遍威胁是批次效应。这些是由数据收集条件引入的系统性、非生物变异引起的。在转录组学中，表达谱随板、测定日、细胞系和测序运行而变化，这种变异对于L1000等高通量平台尤为明显。在形态分析中，板位置和边缘效应、照明和染色差异以及显微镜间变异扰动提取的特征（例如通过CellProfiler），并且在JUMP Cell Painting数据集等多实验室资源中相应较强。即使是生物测定和对接数据也带有类似的伪影：测定间协议差异，以及随软件版本和口袋制备而变化的对接评分。这些效应很重要，因为它们很容易与模型旨在学习的信号相混淆。当技术批次与生物学标签相关时，例如当处理和处理对照谱在不同板上测量时，或活性和非活性化合物来自不同筛选时，模型可以通过学习批次而非生物学来获得高表观性能；不按批次划分数据的评估然后报告乐观的结果，无法泛化。本文综述的研究中很少有人直接面对这一点。值得注意的例外包括将重复谱去噪到稳健共识（MolGene-E）、采用噪声稳健的差异表达摘要如特征方向方法（如Gex2SGen和DRAGONET），或通过以遗传改变为条件完全绕开嘈杂的表达读出（G2D-Diff）。研究人员鼓励未来工作将批次校正，特别是批次感知的数据划分，作为流程的默认部分和评估的核心部分，而非事后考虑。
5.4 样本效率
上述验证瓶颈直接关系到这些模型应如何评估：当最有意义的成功度量（合成并测试的化合物在生物测定中）也是最昂贵的获取时，方法达到良好候选所需的昂贵评估次数本身就成为一项指标。这一指标在机器学习界也称为样本效率，通常与原始生成速度相混淆，虽然上述许多方法报告了大幅的挂钟时间加速，这对吞吐量很重要，但挂钟时间几乎不能说明模型收敛到实际满足生物学目标的分子的效率。因此，将样本效率的三个轴分开是有用的：数据效率（训练或条件需要多少标记的生物数据）、预言机效率（优化期间消耗多少昂贵的目
