分子药物发现，这个听起来非常高深的领域，实际上就像是在一个巨大的乐高积木库里寻找能拼成完美城堡的组合。传统上，科学家们需要花费数年甚至数十年的时间，在实验室里一个一个地测试不同的分子组合，看看哪种能成为治疗疾病的良药。这个过程不仅耗时耗力，更像是在茫茫大海中捞针。
这项由韩国科学技术院（KAIST）人工智能实验室领导、联合LG人工智能研究院和首尔国立大学共同完成的研究，发表于2025年2月《神经信息处理系统进展》期刊，为这个难题带来了突破性解决方案。感兴趣的读者可以通过论文编号arXiv:2602.17602查询完整研究内容。
传统的分子设计方法主要分为两大类。第一类把分子当作文字来处理，就像把分子结构写成一串特殊的化学"密码"，然后让计算机像学习语言一样学会生成新的分子密码。这种方法虽然能生成有效的分子，但就像背书一样，容易产生千篇一律的结果，缺乏创新性。第二类方法则把分子看作由原子和化学键组成的复杂网络图，就像城市的交通网络图一样，每个原子是一个站点，化学键是连接站点的道路。这种方法更能捕捉分子的真实结构特征，能设计出更多样化的分子，但问题在于生成的分子经常不符合化学规律，就像设计出的交通网络在现实中无法正常运行。
研究团队面临的核心挑战是：如何既保持图网络方法的结构创新能力，又确保生成的分子符合化学规律？他们发现现有方法存在两个关键缺陷。首先，现有的分子生成过程把每种原子都当作完全独立的个体来处理，忽略了化学世界中原子间存在天然的亲缘关系。比如，在化学世界里，氮原子和氧原子比氮原子和氯原子更容易相互替换，但传统方法无法识别这种化学直觉。其次，现有方法用过于简化的标签来描述原子，就像用"人"这一个词来描述所有人类，无法区分"上班族"、"学生"、"医生"等不同身份的人。在分子世界里，同样是碳原子，但处于苯环中的芳香性碳原子和普通的碳原子具有截然不同的化学性质，传统方法无法有效区分它们。
为了解决这些问题，研究团队开发了名为MolHIT的新框架。这个框架的核心创新在于两个方面：分层离散扩散模型和解耦原子编码技术。
一、分层离散扩散模型：从粗到精的智能生成策略
分层离散扩散模型就像是一个经验丰富的厨师制作复杂菜肴的过程。传统方法就像直接把所有食材混在一起烹饪，很容易做出奇怪的味道。而MolHIT的方法更像是先决定要做什么类型的菜（中式还是西式），然后确定具体的菜品（红烧肉还是糖醋排骨），最后才处理具体的调料搭配。
在分子生成的语境下，这个过程被分为三个层次。最开始，系统生成的是完全随机的"噪声"状态，就像一堆杂乱无章的积木块。然后，系统首先将这些噪声逐步转化为中等层次的化学基团，比如决定这部分区域应该是"卤素元素区"（包括氟、氯、溴等）、"氮氧硫区"还是"芳香环区"。这就像先规划城市的功能区域，决定哪里是商业区、哪里是住宅区。接下来，系统在每个功能区内部继续细化，将"卤素元素区"具体化为氟原子、氯原子或溴原子，将"芳香环区"具体化为苯环中的碳原子、氮原子等。
这种分层方法的妙处在于充分利用了化学知识中的层次关系。研究团队通过数学证明确保了这个过程的理论正确性，建立了严格的数学框架来保证生成过程的稳定性和可控性。具体来说，他们定义了一系列递减的时间参数αt和βt来控制不同层次间的转换速度，并证明了这种转换满足数学上的Chapman-Kolmogorov方程，确保了整个生成过程的数学一致性。
在实际应用中，研究团队采用了一种被他们称为"项目-噪声采样器"的特殊技术。传统方法在每一步生成中都严格按照数学理论要求的后验概率分布进行采样，这虽然理论上正确，但在实践中往往限制了分子结构的多样性探索。新的采样器采用了更灵活的策略：先根据模型预测生成一个候选分子结构，然后将这个候选结构重新加噪到前一个时间步，这样既保持了生成的多样性，又确保了化学合理性。同时，他们还引入了温度采样和nucleus采样技术，通过调节"温度"参数来控制生成结果的质量和新颖性之间的平衡。
二、解耦原子编码：让每个原子都有专属身份证
解耦原子编码技术解决了传统方法中"一个标签描述所有情况"的问题。这就像为每个人制作详细的身份证，不仅标明基本的"人类"身份，还要注明具体的职业、居住地、特殊技能等信息。
在传统的分子表示方法中，所有的碳原子都被简单地标记为"C"，无论它们是在普通的链状结构中，还是在具有特殊性质的芳香环中。这种简化造成了严重的信息丢失。研究团队通过实验发现，使用传统编码方法时，在分子重构任务中，含有特殊氮原子结构（如吡咯氮[nH]）的分子重构成功率仅为1.9%，这意味着模型几乎无法正确理解和生成这些重要的化学结构。
新的解耦原子编码方法为每个原子分配了多维度的身份标识。以氮原子为例，系统不再简单地用"N"来表示，而是会区分"普通氮原子（N）"、"芳香环中的氮原子（n）"、"带正电荷的氮原子（N+）"、"吡咯型氮原子（nH）"等不同类型。这种精细化的区分使得模型能够准确理解不同原子在分子中的具体作用和性质。
在MOSES数据集上，研究团队将原本的7种基本原子类型扩展为12种精细化标记，在GuacaMol数据集上更是从12种基本类型扩展到56种精细化标记。这种扩展不是简单的数量增加，而是基于化学原理的系统性分类。比如，他们将原子按照芳香性（是否在芳香环中）、电荷状态（中性、带正电、带负电）、氢化程度等维度进行分类，确保每种分类都对应真实的化学差异。
使用解耦原子编码后，分子重构的成功率从传统方法的80.4%提升到接近100%。更重要的是，生成的分子中包含特殊原子结构的比例也显著提升，使得模型能够生成更多样化和化学意义更丰富的分子结构。
三、采样优化：在质量与创新之间找到完美平衡
研究团队还开发了创新的采样策略来进一步优化生成效果。他们发现，传统的采样方法往往在分子生成的质量（化学有效性）和新颖性（结构创新性）之间存在权衡困境。高质量往往意味着生成的分子过于保守，缺乏创新性；而追求新颖性则容易产生化学上不合理的结构。
为了解决这个问题，他们引入了温度采样和top-p（nucleus）采样技术。温度采样通过调节一个"温度"参数来控制生成过程的随机性，较低的温度使生成过程更加确定性，倾向于产生化学上更稳定的结构；较高的温度则增加随机性，鼓励生成更新颖的结构。Top-p采样则在每一步生成中只考虑累积概率达到阈值p的候选原子，过滤掉概率极低的不合理选择，同时保持足够的多样性。
实验结果显示，当top-p值设置为0.8时，MolHIT能够达到最佳的质量-新颖性平衡，生成的分子既具有高达99.4%的化学有效性，又保持了95.1%的高质量分数。这种精确的参数控制使得研究人员可以根据具体需求调节生成策略，在药物发现的不同阶段应用不同的采样参数。
四、实验验证：全方位碾压现有方法
研究团队在多个大规模分子数据集上进行了全面的实验验证，结果令人震撼。在最具权威性的MOSES基准测试中，MolHIT在几乎所有关键指标上都实现了显著突破。
在化学有效性方面，MolHIT达到了99.1%的惊人准确率，这是图形扩散模型首次接近完美的表现。相比之下，之前最好的图形扩散方法DeFoG的有效性仅为92.8%，而其他方法如DiGress为87.1%，Cometh为87.2%。更令人印象深刻的是，MolHIT不仅超越了所有现有的图形方法，甚至在有效性上与专门优化过的序列方法（如SAFE-GPT的99.8%）相当，这打破了长期以来认为图形方法在有效性上无法与序列方法竞争的观念。
在结构新颖性方面，MolHIT同样表现出色。在衡量模型探索新化学空间能力的"支架新颖性"指标上，MolHIT达到了0.39的分数，显著超过了之前的图形方法（DeFoG和DiGress均为0.26），甚至超越了以探索性著称的序列方法（CharRNN为0.29）。这意味着MolHIT不仅能生成化学上有效的分子，还能发现训练数据中不存在的新颖分子骨架结构。
在综合质量评估中，MolHIT取得了94.2%的质量分数，这个分数综合考虑了分子的有效性、唯一性、合成可及性和药物相似性。这一成绩不仅超越了所有图形扩散方法，也超过了大部分序列方法，仅略低于一些高度优化的序列模型。
研究团队还在更具挑战性的GuacaMol数据集上进行了测试。与MOSES数据集不同，GuacaMol包含了更多带电荷的分子和复杂的化学结构。在这个更困难的测试中，MolHIT依然保持了87.1%的有效性，远超在同样条件下训练的DiGress（74.7%）和加入解耦原子编码的DiGress（65.2%）。这证明了MolHIT框架的稳健性和普适性。
五、条件生成：精确控制分子属性
除了无条件生成，研究团队还验证了MolHIT在条件生成任务中的表现。条件生成是指根据特定的化学属性要求生成分子，这在实际药物发现中具有重要意义，就像根据病人的具体需求定制药物一样。
在多属性条件生成实验中，研究团队选择了四个关键的分子属性：药物相似性（QED）、合成可及性（SA）、脂水分配系数（logP）和分子量（MW）。这些属性就像是分子的"体检指标"，决定了分子是否具有成为药物的潜力。
实验结果显示，MolHIT在所有四个属性上的控制精度都达到了新的高度。平均绝对误差从基线方法的0.122降低到0.058，相当于误差减少了52.4%。在相关性分析中，MolHIT与目标属性的皮尔森相关系数达到了0.807，其中在脂水分配系数的控制上几乎达到了完美的0.950相关性。更重要的是，即使在严格的属性控制要求下，生成分子的有效性依然保持在96.31%的高水平。
在支架扩展任务中，MolHIT也展现了出色的能力。支架扩展是指在给定分子骨架的基础上，生成完整的分子结构，就像在建筑的框架基础上设计完整的房屋。在这个任务中，MolHIT的有效性达到了83.9%，远高于DiGress的50.8%，同时在精确匹配率上也取得了显著提升，在Top-1和Top-5匹配率上分别达到了3.92%和9.79%。
六、消融实验：解析成功的关键因素
为了理解MolHIT成功的具体原因，研究团队进行了详细的消融实验，逐一验证每个技术组件的贡献。他们从基础的DiGress方法开始，逐步加入解耦原子编码、项目-噪声采样器和分层离散扩散模型，观察每一步改进对最终性能的影响。
结果显示，每个组件都对最终性能产生了显著的正面影响。加入解耦原子编码后，质量分数从82.5%提升到87.6%，有效性从87.1%提升到96.2%，这证明了精细化原子表示的重要性。引入项目-噪声采样器后，质量分数进一步提升到92.9%，有效性达到99.4%，验证了采样策略优化的价值。最后加入分层离散扩散模型后，系统达到了最终的94.2%质量分数和99.1%有效性，证明了分层生成策略的有效性。
特别值得注意的是，研究团队还验证了温度采样参数的影响。他们发现，随着top-p值从1.0降低到0.8，生成质量稳步提升，但当参数进一步降低时，虽然质量继续提高，但结构新颖性会急剧下降。这为实际应用中的参数选择提供了重要指导。
说到底，这项研究的最大意义在于首次让基于图结构的分子生成方法在保持结构创新能力的同时，也达到了接近完美的化学准确性。这打破了长期以来存在于该领域的性能天花板，为AI辅助药物发现开辟了新的道路。
从实际应用角度来看，MolHIT的突破意味着药物研发人员现在可以更加信任AI生成的分子建议。以往，研究人员需要花费大量时间验证AI生成分子的化学合理性，现在这个过程可以大大简化。同时，99.1%的有效性意味着在1000个AI生成的分子中，只有不到10个是化学上不合理的，这大大降低了后续实验验证的成本。
更重要的是，MolHIT展现出的在质量和创新性之间的精确平衡能力，为不同阶段的药物发现提供了灵活的工具。在早期的药物筛选阶段，研究人员可以调节参数以鼓励更多的结构创新，发现全新的药物骨架。在后期的优化阶段，则可以调节参数以确保生成的分子变体都具有高度的化学稳定性和合成可能性。
这项研究不仅在技术上实现了突破，更重要的是证明了将化学领域知识与先进AI技术深度融合的巨大潜力。通过引入化学直觉（分层化学基团关系）和精确的原子描述（解耦原子编码），MolHIT展示了如何让AI系统更好地理解和遵循科学规律，这种思路对其他科学领域的AI应用也具有重要的借鉴价值。
未来，随着这种技术的进一步完善和推广，我们有理由期待AI在药物发现中扮演更加重要的角色，不仅能够加速新药的发现过程，还能够探索人类研究人员可能忽略的新颖化学空间。这最终可能会为治疗目前无药可医的疾病带来新的希望，让AI真正成为人类健康的守护者。
Q&A
Q1：MolHIT是什么技术？
A：MolHIT是由韩国科学技术院开发的分子生成人工智能框架，它能够自动设计新的药物分子。与传统方法不同，MolHIT采用分层生成策略和精细化原子描述，在保持创新性的同时达到了99.1%的化学准确率，这是图形扩散模型首次接近完美表现。
Q2：MolHIT比现有的分子生成方法好在哪里？
A：MolHIT的最大优势是同时实现了高准确性和高创新性。传统的图形方法虽然能生成新颖结构但准确率只有87-93%，而序列方法虽然准确率高但缺乏创新。MolHIT通过分层化学基团生成和解耦原子编码技术，将准确率提升到99.1%，同时在结构新颖性上也超越了现有方法。
Q3：MolHIT对药物研发有什么实际意义？
A：MolHIT能够大大加速药物发现过程并降低成本。99.1%的准确率意味着研究人员不需要花费大量时间验证AI生成分子的合理性，1000个生成分子中只有不到10个不符合化学规律。同时，它还能发现训练数据中不存在的新分子结构，为治疗疑难疾病提供新的可能性。
上一篇：2025外滩大会“AI十问世界”引爆全球科技伦理思辨：人机共生时代的责任与边界
下一篇：大型语言模型是天生的谎言探测器吗？哥伦比亚大学团队发现AI诚实度的秘密光谱
