文献来源 ：Bian, Y. & Xie, X.-Q. (2021). Generative chemistry: drug discovery with deep learning generative models. Journal of Molecular Modeling , 27, 71. DOI ：https://doi.org/10.1007/s00894-021-04674-8 作者单位 ：匹兹堡大学药学院药学系 & 计算化学基因组学筛选中心
摘要速览 传统药物研发面临成本高企（平均 28 亿美元 ）、周期漫长（ 逾 12 年 ）的结构性困境，且这些数字仍在持续攀升。本综述系统梳理了以深度学习生成模型为核心的"生成化学"范式，覆盖从化学信息学基础设施到四类前沿生成架构（RNN、VAE、AAE、GAN）的完整技术图谱，并展望了该领域的挑战与未来方向。
一、背景：从传统计算化学到生成化学的范式跃迁 1.1 传统虚拟筛选方法的局限 药物发现中的先导化合物识别，长期依赖两大路线：
• 基于结构的方法（Structure-Based） ：以靶蛋白三维结构为基础，涵盖分子对接（Molecular Docking）、分子动力学模拟（MD Simulation）及片段生长（Fragment-Based）策略。 • 基于配体的方法（Ligand-Based） ：以已知活性分子为出发点，包括药效团建模（Pharmacophore Modeling）、骨架跃迁（Scaffold Hopping）和分子指纹相似性搜索。 机器学习的引入进一步丰富了虚拟筛选（VS）管线，使得对海量化合物库的高通量评估成为可能。然而，传统方法本质上是 在已知化学空间中检索 ，而非主动创造新结构——这正是生成化学的核心突破所在。
1.2 人工智能在药物发现中的演进 深度学习（DL）作为机器学习的特殊子领域，其核心优势在于 表示学习 ——通过多层神经网络将原始输入（如 SMILES 字符串、分子图）逐层转化为越来越抽象的隐表示，从而支持复杂的分类、回归乃至生成任务。
二、基础设施：化学信息学数据库与分子表示 2.1 核心化学数据库 生成化学模型的训练质量高度依赖数据来源，以下为本文梳理的主要数据库：
PubChem ChEMBL DrugBank ZINC RCSB PDB ASD GDB
趋势 ：靶标特异性化学基因组学数据库（如 Pain-CKB）正在兴起，将化学、基因与蛋白信息整合，支持系统药理学研究。
2.2 分子表示方式 分子表示（Molecular Representation）是连接化学结构与机器学习算法的关键桥梁：
字符串类表示
• SMILES ：基于 ASCII 字符的线性表示，人类可读，天然适配序列生成模型（如 RNN）。同一分子可生成多种 SMILES，需规范化（Canonicalization）处理。 • InChI / InChI Key ：提供互变异构体不变的标准化表示，常用于去重。 指纹类表示
• ECFP（扩展连通性指纹） ：以每个重原子为中心，半径递增地枚举子结构环境，生成定长位向量，适配 ML 分类器（SVM、RF 等）。 • MACCS Keys ：166 位结构键，每位对应特定子结构 SMARTS 模式。 • Path / Tree Fingerprints ：基于线性或树状片段枚举。 ⚠️ 指纹的关键局限 ：不可逆——无法从指纹直接重建分子结构，限制了其在端到端生成模型中的应用。
图类表示
• 分子图（Molecular Graph） ：节点对应原子（含原子类型的 One-Hot 编码），边对应化学键（含键类型权重）。可直接供图神经网络（GNN）处理，保留完整拓扑信息。 张量类表示
• 将原子类型、键类型与连接信息编码为多维张量，适配 CNN 架构。 2.3 工具链 三、四大生成架构详解 3.1 循环神经网络（RNN / LSTM） 原理 RNN 具有内部循环状态 h ，能够处理序列数据并在序列元素间传递信息，输出计算公式为：
y = activation(Wo·x + Uo·h + bo) 标准 RNN 受 梯度消失 问题困扰，难以捕获长程依赖。 LSTM（长短时记忆网络） 通过引入携带轨道（Carry Track） c 解决了这一问题：
y = activation(Wo·x + Uo·h + Vo·c + bo) LSTM 的遗忘门、输入门与输出门协同控制信息的保留、更新与输出，使模型能够在长序列中维持有效的梯度流。
在药物生成中的应用流程 1. 收集训练分子（ChEMBL 等大库） 2. 计算 SMILES 字符串 3. One-Hot 编码（每个字符 → 唯一二进制向量，含起始符 "G" 与终止符 "E"） 4. 训练 LSTM：给定前 n 个字符，预测第 n+1 个字符的概率分布 5. 采样生成新 SMILES → 解码为分子图 迁移学习策略 两阶段训练是 RNN 在生成化学中的标配：
1. 预训练 ：在数十万至百万量级化合物（如 ChEMBL 全库）上学习通用化学语言 2. 微调 ：在数百至数千个靶标特异性活性分子上精调，使生成分布"聚焦"于目标化学空间 代表性工作
LSTM 迁移学习生成 PPARγ 和胰蛋白酶配体库，~90% 分子为新颖独立结构；拓展至片段生长策略 实现完整"设计—合成—测试"闭环，目标预测模型作为评分函数 前瞻性研究：合成测试 5 个 AI 设计化合物，4 个对 PPAR 显示纳摩尔至低微摩尔活性 化学语言模型（CLM），在低数据情境下的早期分子设计 基于 GRU 的拟生源分子生成器，拓展生源化学多样性空间
3.2 变分自编码器（VAE） 自编码器基础 自编码器（AE）由 编码器 （高维 → 低维潜空间）与 解码器 （低维 → 重建）构成，目标是学习分子的压缩表示。然而，标准 AE 将每个分子映射到潜空间中的单一固定点，导致解码器在随机采样时失效。
VAE 的核心创新 VAE（Kingma & Welling, 2013）将分子映射为 潜空间中的统计分布参数 （均值 μ 与方差 σ），而非固定点：
• 联合模型： p(x,z) = p_θ(x|z)·p(z) 训练目标包含两部分损失：
• 正则化损失（KL 散度） ：防止潜空间过拟合，保证其连续性与可采样性 训练过程的随机性使得同一潜空间点可解码出多样化结构，形成结构化、连续的化学空间表示。
分子编辑能力 在潜空间中，特定轴向对应特定的分子属性变化（称为"概念向量"），通过沿特定向量方向移动，可实现 受控的分子性质编辑 ——这是 VAE 区别于 RNN 的关键优势。
两类输入表示 基于 SMILES 的 VAE
• Gómez-Bombarelli et al.（2016，首个 VAE 分子设计系统）：编码器用三层 CNN + 全连接层，解码器用三层 GRU；联合属性预测 MLP 优化目标性质 • Blaschke et al.：针对多巴胺受体 2（DRD2），集成 SVM 分类器评估新生成分子 • Sattarov et al.：VAE + 生成拓扑映射（GTM）辅助采样，聚焦特定性质的化合物库生成 基于分子图的 VAE
• NeVAE （Samanta et al.）：节点表示原子（One-Hot 编码），边权重表示键类型，解决图结构不规则性 • GraphVAE （Simonovsky et al.）：核心假设为概率全连接图，节点/边的存在性为独立随机变量 • DeLinker （Imrie et al.）：将两个片段连接为完整分子，重度依赖三维空间距离与方位信息 3.3 对抗自编码器（AAE） 与 VAE 的关键差异 AAE 在 VAE 的基础上引入 判别器（Discriminator） ，形成三模块结构：编码器、解码器、判别器。
判别器的作用：区分编码器输出的潜分布 q_φ(z) 与预设先验分布 p(z) ，以对抗代价驱动编码器迫使潜空间服从指定先验。
与 VAE 的 KL 散度约束相比，AAE 的对抗训练机制允许使用 非高斯先验 ，提供更强的分布建模灵活性。
三阶段训练流程 2. 判别器训练，准确区分 q_φ(z) 与 p(z) 代表性工作 利用 MCF-7 细胞系数据生成潜在抗癌分子；移除批归一化层以避免生成信号被掩盖 条件 AAE，针对 JAK3 设计分子，融合生物活性、溶解度、可合成性多约束；经分子对接与 JAK2/3 体外抑制实验验证 双向 AAE，将分子结构与基因表达变化联合建模，生成能诱导特定基因表达改变的分子
3.4 生成对抗网络（GAN） 卷积神经网络基础 CNN 的卷积层具有两项关键特性：
• 局部模式学习 ：在感受野（Kernel）内聚焦局部特征，低层学习边缘/片段，高层抽象复杂模式 • 位置不变性 ：学到的特征可在输入任意位置被识别，参数效率高 池化层（Pooling）对特征图降采样，减少参数量；多个滤波器（Filters）并行学习输入的不同方面。
GAN 原理 GAN（Goodfellow, 2014）由**生成器（Generator） 与 判别器（Discriminator）**对抗训练：
• 判别器 ：识别真实数据与生成数据的差异，最大化判别损失 • 生成器 ：持续生成逼真样本以欺骗判别器，最小化生成损失 训练目标是达到 纳什均衡 ——判别器无法再区分真实与生成样本。
在分子生成中，生成器输出 SMILES 字符串、分子图或指纹；生成分子与真实化合物混合后输入判别器进行真假鉴别。
GAN 的固有挑战 • 训练不稳定性 ：两个损失函数的同步优化容易导致单边梯度主导（判别器或生成器过强） • 化学空间覆盖受限 ：为欺骗判别器，生成器只能在真实化合物定义的化学空间内探索，创新性受限 代表性工作
目标强化 GAN，在判别器奖励之外引入领域特异性目标（如药物相似性），兼顾分布匹配与性质优化 Maziarka et al.（Mol-CycleGAN） 基于 Junction Tree VAE 潜空间的循环 GAN，生成与输入高度相似但指定性质更优的结构 连接化合物设计与系统生物学：给定靶标基因表达特征，生成类活性分子；两阶段训练策略 Prykhodko et al.（latentGAN） AE + GAN 融合：heteroencoder 将 SMILES 映射到潜向量，GAN 直接在潜空间操作后回译为分子结构
四、生成模型评估方法 4.1 通用评估指标 Inception Score (IS) Fréchet Inception Distance (FID) 比较真实与生成数据在 Inception 模型特定层的潜向量分布（多变量高斯）距离
Precision & Recall (PRD) Sajjadi et al. 提出，将分布差异分解为精度（质量）与召回率（覆盖度）两个独立维度
4.2 化学特异性评估 药物生成中，模型性能评分与真实可用性之间存在鸿沟—— 高分不等于可合成 （Gao et al., 2020）。
可合成性评估方法
• SA Score（合成可及性评分） ：Ertl et al. 提出，基于片段贡献与复杂性惩罚估算合成难度，来源于对已合成化学品的历史知识挖掘 • SCScore ：基于反应数据库学习的合成复杂性评分（Coley et al.） • 结构过滤器 ：ChemAxon Structure Checker 等工具过滤化学不合理结构 常见做法 ：在生成流程末端加入 SA Score 过滤，或将其直接作为强化学习的奖励信号（如 Gómez-Bombarelli et al. 的工作）。
五、技术对比总结 分子表示 生成机制 化学空间探索 属性优化 训练稳定性
可解释性 代表数据库
六、挑战与未来展望 6.1 三维几何感知不足 现有主流模型多基于 2D SMILES 或拓扑分子图，忽略了手性（Chirality）和构象（Conformation）对受体—配体相互作用的关键影响。基于分子图的工作（NeVAE、GraphVAE、DeLinker）已引入键长、键角信息，但三维感知的系统整合仍是瓶颈。
6.2 大分子设计的匮乏 目前生成化学高度集中于小分子领域，原因在于蛋白质、多肽等大分子数据积累相对不足。随着蛋白质结构数据库持续扩张（AlphaFold 等带来的数据红利），从头蛋白质生成（de novo protein design）有望成为下一个突破口，但需要能够感知折叠与构象的新型分子表示。
6.3 可合成性的系统性忽视 生成模型可产出量化评分优异但实验室无法合成的"纸面分子"。将可合成性约束深度融入生成过程（而非作为后处理滤波器）是迫切的工程需求。
6.4 闭环自动化 理想的 AI 驱动药物发现闭环：
HTS 筛选命中化合物 ↓ 迁移学习训练生成模型 ↓ 生成 + ML 分类筛选候选分子 ↓ 机器人合成 + 生物活性测试 ↓ 新活性分子回馈模型 → 循环迭代 Segler et al. 的工作已概念验证了这一框架，但实现全自动化闭环仍面临合成机器人、高通量检测与 AI 模型三者的系统集成挑战。
写在最后 本综述的核心价值在于提供了一张 从基础设施到前沿架构的完整技术地图 。对于初学者，它是理解生成化学知识体系的优质入口；对于研究者，各架构的详细对比与案例汇总（Table 4 收录 19 项代表性工作）具有直接参考价值。
值得特别关注 ：
1. 迁移学习的战略地位 ——在小数据的药物靶标领域，大库预训练 + 靶标微调的两阶段策略几乎是所有生成方法取得成功的必要条件。 2. 分子表示的多元化趋势 ——从 SMILES 到分子图，表示方式的选择深刻影响生成质量与下游任务的适配性。图表示在保留拓扑信息方面的优势正推动 GNN 在生成化学中的地位快速上升。 3. 评估方法与实用性的断层 ——当前学术评估指标（IS、FID、PRD）与真实药物研发需求（可合成性、体内活性）之间存在显著鸿沟，建立面向实用的生成化学评估体系是迫切的社区需求。 本文撰写于 2021 年初，此后领域发展迅猛。扩散模型（Diffusion Model）、大语言模型（LLM）与分子基础模型（如 ESMFold、MolBERT）的兴起，正在重塑生成化学的技术格局——这些是本综述未能涵盖但值得密切追踪的新方向。
