GraphNVP | 用于分子图生成的可逆流模型

分子生成

在计算药物发现过程中，识别具备优良药理特性的新型分子属于核心难题。以往，这一工作主要依赖于合成潜在候选化合物并开展实验验证的方式进行。然而，鉴于化学空间的庞大性，合成分子并实施大规模实验的过程极为耗时。从头 设计药物并非在现有分子中探寻符合特定性质的结构，而是致力于构建具有目标特性的新化合物。

深度学习技术的持续进步，特别是深度生成模型的应用，在从头药物设计领域展现出巨大潜力与重要价值。

分子表征

在将深度学习技术应用于分子生成的过程中，如何对化合物进行有效表征是一个关键环节。早期的模型主要依赖于SMILES所提出的基于字符串的表达方式。研究者们采用基于RNN的语言模型或变分自动编码器（VAE）来生成SMILES字符串，并进一步将其转化为对应的分子结构。然而，SMILES表示方法存在一个显著缺陷，即即使两个SMILES字符串看起来非常接近，但其中微小的差异可能会导致生成的分子结构发生巨大变化，从而影响其准确性与可靠性。这一问题促使近年来的研究转向使用更具表达能力的图结构来表征分子。因此，该任务被定义为_分子图生成_。

在该表示方法中，分子被建模为无向图结构，其中原子和化学键分别对应于图