molecular_generation

# 分子生成 ## 概述 分子生成涉及创建具有所需属性的新型分子结构。TorchDrug 支持无条件生成（探索化学空间）和条件生成（针对特定属性进行优化）。 ## 任务类型 ### AutoregressiveGeneration (自回归生成) 通过顺序添加原子和化学键来逐步生成分子。这种方法可以在生成过程中实现细粒度的控制和属性优化。 **关键特性：** - 基于化学键的顺序原子构建 - 支持生成过程中的属性优化 - 可结合化学有效性约束 - 支持多目标优化 **生成策略：** 1. **束搜索 (Beam Search)**：每一步保留前 k 个候选者 2. **采样 (Sampling)**：为了多样性进行概率选择 3. **贪婪搜索 (Greedy)**：始终选择概率最高的动作 **属性优化：** - 基于所需属性的奖励塑造 - 实时约束满足 - 多目标平衡（例如：效力 + 类药性） ### GCPNGeneration (图卷积策略网络) 使用强化学习来生成针对特定属性优化的分子。 **组件：** 1. **策略网络 (Policy Network)**：决定采取何种动作（添加原子、添加化学键） 2. **奖励函数 (Reward Function)**：评估生成分子的质量 3. **训练**：使用策略梯度的强化学习 **优势：** - 直接优化不可微目标 - 可结合复杂的领域知识 - 平衡探索与利用 **应用：** - 针对特定靶点的药物设计 - 具有属性约束的材料发现 - 多目标分子优化 ## 生成模型 ### GraphAutoregressiveFlow 用于分子生成的归一化流模型，具有精确的似然计算能力。 **架构：** - 耦合层将简单分布转换为复杂的分子分布 - 可逆变换实现密度估计 - 支持条件生成 **关键特性：** - 精确的似然计算（对比 VAE 的近似似然） - 训练稳定（对比 GAN 的对抗训练） - 通过可逆变换实现高效采样 - 可生成具有指定属性的分子 **训练：** - 在分子数据集上进行最大似然估计 - 可选的属性预测头用于条件生成 - 通常在 ZINC 或 QM9 数据集上训练 **用例：** - 生成多样化的类药分子 - 在已知分子间进行插值