《Advanced Intelligent Discovery》：MolMiner: Toward Controllable, Three-Dimensional-Aware, Fragment-Based Molecular Design
编辑推荐：
研究人员提出了MolMiner，一个基于片段、几何感知且顺序无关的自回归模型，用于分子设计。MolMiner支持对12种物理化学和结构性质的高维条件控制，这些性质来自部分规格说明，通过对称感知的片段连接构建分子，并将每个生成步骤条件化于力场松弛后的部分结构的三
研究人员提出了MolMiner，一个基于片段、几何感知且顺序无关的自回归模型，用于分子设计。MolMiner支持对12种物理化学和结构性质的高维条件控制，这些性质来自部分规格说明，通过对称感知的片段连接构建分子，并将每个生成步骤条件化于力场松弛后的部分结构的三维几何形状。条件控制在没有辅助性质损失的情况下实现。在目标性质窗口上，条件化将命中率相比无条件生成提高了高达5.25倍，相比训练分布本身提高了3.5倍——覆盖了模型的内在偏差——代价是无条件分布保真度的轻微降低。MolMiner在单一框架内统一了动态几何处理、对称性处理、顺序无关生成和可扩展的多性质条件化。
**论文解读：MolMiner——可控、三维感知、基于片段的分子设计**
**研究背景与问题**
现代高通量筛选（HTS）管线日益依赖深度生成模型来生成候选分子，这些分子需满足特定性质，再经过机器学习代理至密度泛函理论等量子化学计算的多阶段过滤。现有方法在分子表示（字符串、图或点云）和生成方式（变分自编码器、扩散模型）上各有侧重，但许多方法仅解决孤立挑战——化学有效性、结构多样性或性质控制。未约束的模型容易探索化学空间中不合理区域，尤其在训练信号有限或表示模糊性高时。因此，需要进一步的归纳偏置和架构约束来引导模型优化走向可靠且物理有意义的探索。基于片段的逐步生成过程能施加这种偏置，通过嵌入粗粒度化学单元实现可解释的生成，并灵活控制分子大小，同时显式保证化学有效性。当目标性质依赖于结构时，整合三维（3D）几何信息至关重要，但现有自回归框架很少在生成过程中动态整合几何信息。此外，许多自回归模型依赖固定展开顺序（从预定义原子或片段出发沿单一轨迹构建），这种顺序并非分子图固有属性（分子允许多种有效构建序列）。顺序无关展开策略（从任何有效片段出发并保持单连通图）能更好地反映分子结构，并作为有效的数据增强和正则化手段提升泛化能力。最后，条件生成在HTS管线中至关重要，用户需预先指定目标性质。多数模型仅支持单目标条件化，而研究人员的方案能同时对12种物理化学和结构性质进行多性质控制，用户可指定任意子集，其余性质自动采样，促进化学空间的高效定向探索。
**研究内容与结论**
研究人员提出了MolMiner，一个基于片段、几何感知且顺序无关的自回归生成模型，施加强归纳结构于分子生成。MolMiner操作于化学上有意义的片段，在多步生成中强制化学有效性，并在展开过程中整合动态3D几何。这些设计选择使可靠的高维条件生成成为可能。模型在ZINC数据集子集（约20万药物样分子）上评估，每个分子用RDKit计算12种物理化学性质（logP、QED、SAS、FractionCSP3、分子量、TPSA、MR、氢键供体/受体数、环数、可旋转键数、手性中心数）。评估关注无条件生成和条件生成的分布保真度与可控性。结果表明：在无条件生成中，MolMiner达到100%有效性、98.5%唯一性、99.9%新颖性，多样性0.8919；与HierVAE和GDSS相比，MolMiner完美有效且无需提取最大连通分量；分布匹配良好，仅分子量、MR和TPSA因终止偏置略有偏移。在条件生成中，逐性质标定显示多数性质上平均绝对误差低、决定系数高，条件控制在无辅助损失下有机涌现。多目标靶向生成实验中，针对8个药物发现相关性质窗口（如类药、先导样、片段样、中枢神经、3D富集刚性、易合成、高QED、非手性），条件化命中率相比无条件基线提升最大达5.25倍（3D-富集-刚性窗口），并超过训练集自然命中率3.5倍，表明条件化可覆盖模型内在偏差。MolMiner发表在《Advanced Intelligent Discovery》上，其意义在于为可控、可解释的分子生成和未来交互式设计工作流提供了实用基础。
**主要技术方法**
研究人员采用了以下关键技术：（1）基于片段的分子表示：通过RDKit的最小环集（SSSR）将分子分解为环和孤立键对应的片段，每个片段用规范SMILES表示并保留原子索引映射以记录连接点。（2）对称感知的连接建模：针对片段自动同构导致的对称性，通过比较局部原子环境并枚举循环置换，建立规范参考映射，使片段连接决策独立于原子索引。（3）顺序无关分子展开：在每一步从当前开放位点均匀采样焦点连接位点，预测待连接片段或终止决策，直到所有位点闭合；训练时预计算展开序列和中间几何，生成时每步用经典力场松弛部分结构以获得物理合理的3D几何。（4）模型架构：解码器仅Transformer，片段嵌入后拼接三个归一化标量特征（占用/自由/密封位点比例）；通过全局注意力偏置引入几何信息，偏置基于片段质心间的高斯衰减距离核，并含可学习标量控制几何贡献；在焦点读取时，注意力进一步偏向接近连接位点的片段。（5）训练目标：在顺序无关展开因式分解下最大化对数似然，蒙特卡洛近似每个周期随机采样一个展开轨迹；辅助模型从目标性质预测起始片段（多标签分类）。（6）采样过程：当用户仅提供部分性质时，用高斯混合模型（GMM）从训练数据经验联合分布中条件采样补全缺失性质，再生成起始片段并自回归构建分子。
**研究结果**
**4.1 条件化维度的影响**：研究人员训练了条件化3个或12个性质的模型，发现12条件模型在训练和验证集上损失更低且泛化更好，表明更丰富非冗余条件化提供了更具信息量的约束。
**4.2 展开重采样的效果**：比较每周期重采样展开轨迹与固定轨迹的模型，重采样模型验证损失更低、训练-验证差距缩小，且在30轮后继续改善，证实展开重采样作为数据增强和正则化的有效性。
**4.3 最终训练配置**：基于消融实验采用12性质条件化、正初始偏置的几何感知注意力和展开重采样，最终模型为4层解码器Transformer，含0.3 dropout、16注意力头、线性预热-衰减学习率调度，训练约50轮。
**4.4 无条件生成基准测试**：与HierVAE和GDSS相比，MolMiner完美有效（100%），唯一性98.5%，新颖性99.9%，多样性0.8919；GDSS有38.96%片段化输出需提取最大连通分量。除分子量、MR和TPSA因终止偏置轻微偏移外，MolMiner分布匹配良好。消融显示调整终止令牌损失权重可减小偏置。
**4.5 条件生成基准测试**：逐性质标定实验（12种性质各均匀采样目标值，其余由GMM条件采样）显示多数性质上平均绝对误差低且决定系数高，无辅助损失下条件控制有机涌现。QED条件控制较弱，因其作为复合描述子与其他11种性质高度相关。与单性质专用模型对比，12维通才模型每个性质微有牺牲但获得同时控制12种性质的能力。
**4.6 靶向多性质生成**：定义了8个标准性质窗口（F1-F8），通过GMM拒绝采样获取满足窗口的条件向量，生成分子并计算命中率。MolMiner在所有窗口上超过无条件基线和训练集自然频率，最高命中率提升5.25倍（F5 3D-富集-刚性），且条件化产生对角主导的遵从模式，体现化学性质间的相干关联。
**总结与讨论**
MolMiner统一了三个要素：（i）对称感知的连接标准化以确保一致片段连接；（ii）顺序无关似然因式分解，有效平均构建历史并通过多样化展开提供数据增强；（iii）通过GMM先验从经验联合分布采样补全未指定性质，实现可扩展的高维条件化。MolMiner在无条件生成上表现竞争性，并在宽动态范围内对多数性质实现良好标定的条件控制。当用靶向化学窗口的多性质目标提示时，条件化将命中率相比无条件基线提高高达5.25倍，相比训练分布本身提高3.5倍，表明条件化可覆盖模型内在偏差，提供与药物发现对齐的化学空间中操作相关的控制。重要的是，可控性隐式涌现，无需辅助性质损失或生成过程中预言评估。最后，MolMiner的逐步片段组装支持可解释性，并通过展开期间的干预（如约束片段或连接位点）为人类-计算机协同设计开辟路径。研究结论部分翻译如下：
“我们提出了MolMiner，一种基于片段、几何感知且顺序无关的自回归模型，用于逆分子设计，它整合了强归纳偏置，从而改善泛化并实现可靠的条件生成。MolMiner通过化学上有意义的片段连接生成分子，同时强制有效性，并动态整合3D几何以将决策条件化于物理合理的中间结构。该模型支持对12种物理化学和结构目标的多性质条件化，从而从用户部分规格出发实现靶向探索。MolMiner在无条件生成上表现竞争性，并在宽动态范围内对多数性质实现良好标定的条件控制。当用靶向化学窗口的多性质目标提示时，条件化将命中率相比无条件基线提高高达5.25倍，相比训练分布本身提高3.5倍。重要的是，可控性隐式涌现。MolMiner为可控、可解释的分子生成和未来交互式设计工作流提供了实用基础。”
