分子三维结构生成：从2D到3D的AI跨越与药物研发应用

1. 分子三维结构生成：从二维蓝图到三维世界的跨越

在药物研发和材料科学的实验室里，我们常常面对一个核心矛盾：分子的三维结构决定了它的性质与功能，但获取这个三维结构却异常昂贵和缓慢。传统的量子化学计算方法，如密度泛函理论（DFT），虽然精度高，但计算一个中等大小分子的稳定构象可能需要数小时甚至数天，这严重制约了高通量虚拟筛选和理性设计的步伐。这就好比，你有一张精确的房屋二维平面图（2D分子图），但要了解这栋房子的真实居住体验——采光、通风、空间感（即分子的生物活性、反应性、溶解度等），你必须走进它的三维实体（3D分子构象）中去感受。

分子构象生成与3D分子生成技术，正是为了解决这一瓶颈而生的。它们的目标，是让计算机学会从分子的“身份证照片”（二维拓扑图）推理出其可能的“立体全身照”（三维空间坐标），甚至无中生有地设计出全新的、具有特定功能的“建筑蓝图”（3D分子）。这不仅仅是坐标的预测，更是对分子在真实物理世界中能量分布和运动规律的学习与模拟。我从事计算化学工具开发多年，亲眼见证了这项技术从早期的简单距离预测，发展到如今能够处理复杂对称性和化学约束的生成式模型。它的价值在于，将原本属于量子力学的“计算特权”，部分地下放给了基于数据驱动的机器学习模型，使得在几分钟内生成成千上万个候选分子的可信3D结构成为可能，从而极大地加速了从靶点发现到先导化合物优化的全流程。

2. 核心原理与挑战：对称性、能量与化学规则的共舞

要理解这些方法为何有效以及为何困难，我们需要深入三个核心概念：SE(3)对称性、玻尔兹曼分布与化学几何约束。这构成了所有3D分子生成任务的底层物理与数学框架。

2.1 SE(3)对称性：为何旋转平移不应改变分子的“身份”

这是3D分子生成中最基础也最关键的约束。SE(3)群描述了三维空间中的刚体运动，包括旋转（R）和平移（t）。对于一个分子，无论我们如何整体旋转或移动它，只要原子间的相对位置不变，它的化学性质就是完全相同的。这意味着，一个理想的生成模型，对于同一个分子的不同空间朝向，应该给出相同的概率评估。用数学语言描述，即生成分布p(C|G)需要满足p(C|G) = p(R*C + t|G)，其中C是坐标矩阵。

在实际建模中，处理这种对称性主要有两种策略。第一种是不变性（Invariant）建模：模型不直接处理坐标，而是处理旋转平移不变的量，如原子间距离、角度、二面角。这样，无论输入如何旋转，这些标量特征都不变，模型天然满足对称性。第二种是等变性（Equivariant）建模：模型直接处理坐标向量这类几何张量，但其网络层的设计保证，当输入坐标发生旋转平移时，其内部特征的变换与输入保持一致。例如，一个等变层输入一个原子坐标向量（三维），经过变换后输出的更新向量，会随着输入的旋转而同步旋转。最终，通过将系统的质心固定为零（零质心化），可以消除平移自由度，再结合等变网络或特殊的先验分布（如零质心高斯分布），来实现整体的SE(3)不变生成分布。

2.2 玻尔兹曼分布与能量景观：稳定构象从何而来

分子在特定环境（如真空、溶剂）中并非静止，其原子在不断运动，构象也在持续变化。但不同构象出现的概率并非均等。根据统计力学，分子构象服从玻尔兹曼分布：能量越低的构象，出现的概率越高。分子的势能面（PES）就像一片多山多谷的地形，能量最低点对应最稳定的基态构象，而能量较低的谷地则对应一系列低能、稳定的构象。

生成模型的核心任务之一，就是学习并复现这个由分子拓扑G所决定的构象概率分布p(C|G)。生成式模型（如扩散模型、流模型）通过训练去噪过程或可逆变换，来逼近这个复杂分布；而预测式模型则通常瞄准那个概率最高的点——即能量最低的基态构象C_eq。能否准确捕捉能量景观的细微特征，直接决定了生成构象的物理合理性和多样性。

2.3 化学几何约束：从数学合理到化学有效

即使模型生成了数学上有效的3D坐标（即原子不重叠，距离矩阵是有效的欧几里得距离矩阵），它也可能违反基本的化学规则，导致结构在化学上无效。这是另一个重大挑战，主要包括：

1. 局部结构约束：例如，苯环等芳香环体系中的所有原子必须共面；肽键的酰胺平面具有特定的二面角限制；小环（如三元环、四元环）由于角张力是非平面的。模型需要“理解”这些化学知识，并在生成过程中强制执行。
2. 对称原子区分：由于图神经网络（GNN）天然的置换不变性，对称的原子节点（如苯环上六个碳原子）可能获得完全相同的特征表示。如果直接解码为坐标，可能导致这些原子位置重叠，产生无效几何。模型必须有能力区分这些拓扑对称但空间位置应不同的原子。
3. 手性：许多生物活性分子具有手性中心，其两种对映异构体（镜像关系）具有完全不同的生物活性。一个理想的生成模型应当能够区分并生成特定的手性分子，而不是对反射变换也保持不变的E(3)不变模型（E(3)包含反射，SE(3)不包含）。

注意：在实际项目中，我们常常发现，一个在距离预测上误差很小的模型，生成的坐标经过简单的距离几何还原后，可能会因为累积的数值误差或违反三角不等式，导致无法重构出有效的3D结构。因此，许多先进方法会直接在坐标空间进行生成和优化，或引入后处理的几何优化步骤。

3. 技术路线全景：生成式与预测式方法详解

根据任务目标的不同，现有方法主要分为两大流派：生成式方法旨在学习整个低能构象的分布，一次生成多个可能结构；预测式方法则专注于预测那个最稳定的单一基态构象。下表概括了代表性方法的核心特征：

表：代表性3D分子构象生成方法对比

3.1 生成式方法：学习构象的多样性

生成式方法将构象生成视为一个条件生成建模问题，即学习p(C|G)。近年来，扩散模型在此领域取得了显著成功。

扩散模型（如GeoDiff）的工作流程非常直观，它模拟了一个“去噪”的创造过程：

1. 前向扩散过程：对于一个真实的分子构象坐标C_0，逐步添加高斯噪声，经过T步后，得到几乎纯噪声的C_T。这个过程是固定的，目的是破坏数据。
2. 反向去噪过程：训练一个神经网络（通常是E(3)等变网络）来学习这个扩散过程的逆过程。给定第t步的带噪坐标C_t和分子图G，网络预测出所添加的噪声ε，或者直接预测出C_0。
3. 采样生成：从纯噪声C_T开始，利用训练好的网络一步步进行去噪，最终得到一个新的、来自分布p(C|G)的构象样本C_0。

GeoDiff的创新在于，它通过将分子质心始终置于原点，并采用一种特殊的“零质心高斯分布”作为噪声先验，巧妙地保证了生成分布的SE(3)不变性。它的优势在于能生成多样化的、能量合理的构象。然而，一个常见的陷阱是，它可能生成化学上无效的局部结构，比如扭曲的苯环。

扭转扩散（Torsional Diffusion）则采用了另一种巧妙的策略。它认识到，分子的高维构象空间变化主要来源于单键的旋转，即二面角的变化。因此，它固定分子的键长和键角（这些信息可以从化学知识库如RDKit中获得，或由一个小型网络预测），只对可旋转键的二面角应用扩散模型。这样做的好处是：

• 维度极大降低：需要建模的参数从3N个坐标减少到少数几个二面角。
• 天然满足SE(3)不变性：二面角是旋转平移不变量。
• 局部化学结构更准确：键长和键角由更可靠的知识或模型提供。

但它的局限性也很明显：其生成质量严重依赖于初始局部结构的准确性，并且无法优化环状结构的构象（因为环内没有可旋转键）。

3.2 预测式方法：瞄准最稳定的那一个

预测式方法通常将问题构建为一个监督学习回归任务，目标是直接映射分子图G到其基态几何C_eq。这类方法往往更高效，适合需要快速获取最可能构象的场景。

GeoMol是一个典型的预测式方法，其流程分为两步：

1. 局部结构预测：模型首先为分子中的每个原子预测一个局部参考系，并预测其与邻居原子之间的局部几何（距离、角度）。这一步为每个原子生成了一个“局部蓝图”。
2. 全局组装与优化：将这些局部蓝图通过最小二乘拟合或消息传递的方式，组装成一个全局3D结构。为了处理对称原子问题，GeoMol引入了一个匹配损失（Matching Loss）。对于对称的原子组（如甲基上的氢），模型会为每个原子生成多个候选位置，然后通过匈牙利算法找到与真实位置最优的匹配，只计算匹配位置上的损失。这迫使模型学会区分对称原子。

在实际使用中，我们发现GeoMol对于中小型刚性分子预测非常快且准确，但对于具有大量柔性键的分子，其一步到位的预测可能会丢失一些低能构象的多样性。此时，可以将其预测的构象作为初始 guess，再结合分子力学进行快速弛豫，往往能得到更好的结果。

4. 从零生成3D分子：无中生有的创造

与构象生成不同，3D分子生成是一个“无中生有”的过程，它不依赖于输入的2D图，而是直接从噪声或潜在空间中生成全新的分子3D结构M = (z, C)，包括原子类型z和坐标C。这相当于同时设计分子的“元素组成”和“空间形态”，是药物从头设计（de novo drug design）的核心。

这个任务的核心挑战同样在于SE(3)对称性，但更为复杂，因为原子类型和坐标需要协同生成。主流方法也分为直接生成坐标和生成不变特征两类。

表：代表性3D分子生成方法对比

EDM和GeoLDM是直接生成坐标的代表。EDM 采用了与GeoDiff类似的零质心扩散框架，一次性生成所有原子的坐标和类型。GeoLDM 则更进一步，引入了一个潜在扩散模型：先使用一个等变编码器将分子映射到一个潜在空间，然后在潜在空间中进行扩散和去噪，最后解码回3D坐标。这种方法在潜在空间中操作，可能更有利于捕捉分子的抽象特征。

自回归方法（如G-SchNet, G-SphereNet）则模拟了化学家“搭建”分子的过程。它们从一个种子原子开始，逐步决定下一个要添加的原子类型，以及它相对于已有分子的位置。G-SchNet 在一个以参考原子为中心的3D网格上预测距离分布来放置新原子。G-SphereNet 则更为精细，它使用流模型自回归地生成距离、线角和二面角，从而唯一确定新原子的相对位置。由于使用了二面角，G-SphereNet 天然实现了SE(3)不变性，并且能更好地控制局部几何。

实操心得：在评估生成模型时，不能只看生成结构的“美观”程度。我们通常会计算一系列指标：化学有效性（RDKit可解析的比例）、唯一性（生成多样化的分子）、新颖性（与训练集不重复）、以及目标性质（如类药性QED、合成可及性SA）。对于自回归模型，需要特别注意其生成顺序对结果的影响，有时不同的原子添加顺序会导致不同的局部最优结构。

5. 数据、评估与未来方向

5.1 主流数据集与评估基准

模型的训练和评估离不开高质量的数据。目前该领域有两个公认的基准数据集：

1. GEOM-QM9 / GEOM-Drugs: 源自GEOM数据集。QM9包含约13万个小型有机分子（最多9个重原子），构象通过DFT优化获得，适合方法开发和快速验证。GEOM-Drugs则包含约43万个类药物分子，原子数更多，柔性键（可旋转键）数量显著增加，平均每个分子有6.5个，最多可达53个，这对模型的构象采样能力提出了严峻挑战。
2. QM9: 主要用于3D分子生成评估。它包含了约13.4万个小分子的基态几何和多种量子化学性质。由于其分子较小，是测试生成模型能否学习化学空间基本规律的理想起点。

评估指标因任务而异：

• 构象生成：常用覆盖率（Coverage）和匹配率（Matching）。覆盖率衡量生成的构象集能覆盖多少真实低能构象；匹配率衡量真实构象能在多大程度上在生成集中找到近似的匹配（通常基于RMSD）。此外，平均最小RMSD也常被使用。
• 分子生成：除了化学有效性、唯一性、新颖性，对于属性导向的生成，还会看生成分子在特定性质（如溶解度、与靶点结合力）上的分布是否符合预期。

5.2 当前挑战与开放研究方向

尽管进展迅速，该领域仍面临诸多挑战，这也是未来研究的主攻方向：

1. 从真空到溶液环境：当前所有模型都在真空环境的DFT数据上训练。然而，分子在生物体内或溶剂中的构象可能截然不同（溶剂化效应）。开发能条件于溶剂环境生成构象的模型，具有巨大的实际价值。
2. 处理数据稀缺与迁移学习：对于许多新型或特定类别的化合物（如金属有机框架、天然产物衍生物），高质量的3D构象数据极少。如何利用在大规模通用数据（如GEOM）上预训练的模型，通过少样本学习或迁移学习，快速适配到小众领域，是一个关键问题。
3. 探索高能态与过渡态：现有工作主要聚焦于生成低能稳定构象。但化学反应的发生往往经过高能量的过渡态（TS）。生成反应物和产物的过渡态结构，对于理解反应机理和预测反应速率至关重要，这是一个方兴未艾的前沿方向。
4. 手性控制与复杂化学约束：如前所述，许多方法忽略了手性，或难以严格保证所有局部化学约束（如平面性、环张力）。设计能够精确控制手性、并内嵌更复杂化学规则（如配位化学中的几何构型）的生成模型，是走向实际应用必须跨越的鸿沟。
5. 生成与模拟的闭环：目前生成和分子动力学模拟仍是相对独立的环节。一个理想的愿景是，生成模型能提供高质量的初始构象或全新分子，而经过ML力场加速的分子动力学模拟则能对这些候选者进行快速的稳定性、动力学性质验证，甚至进行结合自由能计算，形成一个“生成-验证-优化”的自动化闭环，这将极大革新计算机辅助药物设计的流程。

在我自己的项目实践中，一个深刻的体会是，没有“银弹”模型。对于快速筛选，预测式模型如GeoMol效率极高；对于需要探索构象空间的柔性分子，扩散模型如GeoDiff或Torsional Diffusion更为合适；而对于全新的分子骨架设计，则需要EDM这类从零生成的方法。通常，我们会构建一个混合流水线，先用快速模型生成大量候选，再用更精确但耗时的模型或物理方法进行精炼和验证。另一个常被忽视的细节是氢原子的处理：许多模型只处理重原子，氢原子在最后通过规则添加。但在涉及氢键相互作用的场景（如蛋白-配体对接），氢原子的初始位置精度至关重要，需要更细致的建模。