【分子生成】构建一个分子生成模型的基本步骤

m0_53768713

406人浏览 · 2026-04-10 15:05:56

m0_53768713 · 2026-04-10 15:05:56 发布

（更新：对于其中的一些内容做了一些更新，如有问题可以在评论区交流）

一、问题定义（Problem Definition）

训练模型之前必须先明确 任务是什么。

常见任务类型：

分类（Classification）
- 输入：图像 / 文本 / 分子
- 输出：类别
  例如：
- 活性分子 vs 非活性分子
回归（Regression）
- 输出连续值
  例如：
- 预测 binding affinity
生成（Generation）
- 生成新的数据
  例如：
- 小分子生成
- SMILES 生成
- 3D ligand 生成
结构预测
- 输入结构 → 输出结构
  例如蛋白结构预测

二、数据收集（Data Collection）

模型的能力 80%取决于数据。

数据来源：

1 公开数据集

例如：

PDBbind
ChEMBL
ZINC
QM9

2 自己生成数据

例如：

分子动力学
docking
pharmacophore

你之前提到的 MD HDF5数据 就属于这一类。

三、数据清洗（Data Cleaning）

原始数据通常 非常脏，必须清洗。

常见步骤：

1 删除错误数据

例如：

invalid SMILES
missing labels
坏结构

2 去重

很多数据集有重复分子：

SMILES 去重
canonical SMILES

通常用

RDKit

3 标准化

例如：

离子形式
tautomer
盐

四、数据表示（Feature Engineering）

机器学习模型不能直接理解：

SMILES
PDB
图像

必须转成 数字形式。

1 分子表示方式

(1) 指纹

Morgan指纹（又称圆形指纹）

基于分子拓扑结构的指纹算法
通过迭代扩展原子环境生成特征
典型实现：2048位向量表示
应用场景：化合物相似性搜索、虚拟筛选

RDKit实现细节

开源化学信息学工具包
提供多种指纹生成方法
支持可配置的参数：
- 指纹半径（通常2-3）
- 指纹长度（默认2048位）
- 特征类型（默认包含所有原子类型）

ECFP（Extended Connectivity Fingerprint）

Morgan指纹的扩展版本
具体变体包括：
- ECFP4（半径=2）
- ECFP6（半径=3）
特点：
- 捕获分子局部环境特征
- 适用于机器学习模型输入
- 在药物发现中广泛应用

(2) Graph

分子天然是 图结构

atom = node
bond = edge

例如：

node feature
edge feature

然后使用

PyTorch Geometric
Deep Graph Library

(3) 3D结构

(x, y, z) - 原子坐标
表示原子在三维空间中的位置坐标，单位为埃（Å）。x、y、z分别代表笛卡尔坐标系中的三个方向分量。例如：(1.23, 4.56, 7.89)表示该原子在x轴1.23Å、y轴4.56Å、z轴7.89Å的位置。

atom type - 原子类型
标识原子的元素种类，使用标准的元素符号表示（如C、N、O等）。在分子力场中可能包含额外的类型信息，如：

碳原子可能细分为sp3杂化（CT）、sp2杂化（CA）等类型
氢原子可能根据连接方式分为极性氢（H）和非极性氢（HC）

charge - 原子电荷
表示原子的部分电荷，单位为基本电荷单位（e）。可以是：

形式电荷（如NH4+中的N为-1）
部分电荷（如H2O中O约为-0.8，H约为+0.4）
力场中的有效电荷参数电荷值可以是正数或负数，例如：-0.5表示该原子带负0.5个基本电荷单位

五、数据集划分（Dataset Split）

必须划分：

train
validation
test

典型比例：

train = 70%
val = 15%
test = 15%

作用：

数据集	用途
train	训练
validation	调参
test	最终评估

六、模型设计（Model Design）

选择模型架构。

常见模型：

1 传统机器学习

例如：

Random Forest
XGBoost

2 深度学习

例如：

CNN

用于：图像、3D voxel

RNN / Transformer 在 SMILES 序列处理中的应用

模型架构

循环神经网络 (RNN)

传统序列处理模型，具有记忆能力
适用于 SMILES 序列的逐步生成
常见变体：LSTM、GRU，用于解决长序列依赖问题
单向/双向结构可用于不同应用场景

Transformer 架构

基于自注意力机制的创新模型
特别适合处理 SMILES 这种结构化序列数据
并行处理能力显著提高训练效率
位置编码保留序列顺序信息

在 SMILES 序列中的应用

典型应用场景

分子生成：从头设计具有特定性质的分子
性质预测：根据 SMILES 预测分子特性
反应预测：预测化学反应结果
分子优化：改进现有分子结构

代表模型

Transformer-based 模型：
- MolGPT：基于 GPT 架构的分子生成模型
- Chemformer：专门为化学任务设计的 Transformer
- MolT5：多模态化学语言模型
RNN-based 模型：
- ORGAN：结合对抗训练的分子生成模型
- ReLeaSE：基于 LSTM 的分子设计框架

模型对比

特性	RNN/LSTM	Transformer
序列处理方式	顺序处理	并行处理
长程依赖	相对较弱	优秀
训练速度	较慢	较快
内存消耗	较低	较高
适用场景	小规模数据集	大规模数据集

实际应用示例

药物发现：生成具有潜在活性的候选药物分子
材料设计：设计新型功能材料
化学反应预测：预测有机反应结果
分子性质优化：改进现有分子的溶解性、稳定性等特性

注：SMILES (Simplified Molecular Input Line Entry System) 是一种用 ASCII 字符串明确描述分子结构的化学语言规范。

图神经网络（GNN）及其应用

GNN的主要应用领域

分子图分析

图神经网络在分子图分析中具有重要应用价值，主要包括：

分子性质预测（如溶解度、毒性等）
药物发现中的分子活性预测
材料科学中的分子结构优化
化学反应预测和路径规划

常见的图神经网络模型

1. 图卷积网络（GCN）

通过邻域节点信息的聚合实现特征传播
采用对称归一化的拉普拉斯矩阵进行特征变换
适用于同构图数据，如社交网络、引用网络等

2. 图注意力网络（GAT）

引入注意力机制计算节点间的关联权重
可以处理异构图数据
适用于需要关注特定邻居节点的场景，如推荐系统

3. 消息传递神经网络（MPNN）

通过消息传递框架统一多种图神经网络
包含消息函数、更新函数和读出函数三个核心组件
广泛应用于化学分子和物理系统的建模

其他重要变体

GraphSAGE：适用于大规模图的归纳学习
GIN（图同构网络）：具有强大图同构判别能力
DiffPool：可学习的图池化方法

七、损失函数（Loss Function）

损失函数的作用

损失函数（Loss Function）是机器学习模型优化的核心，它量化了模型预测结果与真实值之间的差异程度。通过最小化损失函数，模型能够逐步调整参数以达到最佳性能。损失函数的选择直接决定了模型的优化方向和最终表现。

分类任务中的损失函数

交叉熵损失（Cross Entropy Loss）

二分类交叉熵：适用于二元分类问题，计算预测概率与真实标签之间的差异
多分类交叉熵：适用于多类别分类问题，常用Softmax激活函数配合使用
加权交叉熵：当类别不平衡时，可为不同类别赋予不同权重
应用场景：图像分类、文本分类、情感分析等

回归任务中的损失函数

均方误差（MSE, Mean Squared Error）

计算预测值与真实值之间差值的平方均值
对异常值敏感，会放大较大误差的影响
应用场景：房价预测、温度预测等连续值预测任务

平均绝对误差（MAE, Mean Absolute Error）

计算预测值与真实值之间差值的绝对值的均值
对异常值不敏感，更加稳健
应用场景：当数据中存在离群点时效果更好

生成模型中的损失函数

KL散度损失（KL Divergence Loss）

衡量两个概率分布之间的差异
在变分自编码器（VAE）中用于约束潜在空间分布
应用场景：生成模型的正则化项

重构损失（Reconstruction Loss）

衡量生成样本与原始样本之间的差异
常用MSE或交叉熵作为具体实现
应用场景：自编码器、生成对抗网络等

具体模型示例

变分自编码器（Variational Autoencoder, VAE）

VAE使用两种主要损失函数：

重构损失：确保解码器能够准确重建输入数据
KL散度损失：使潜在变量的分布接近标准正态分布

这两种损失的加权组合构成了VAE的总损失函数，平衡了重建精度和潜在空间的正则化效果。

八、优化器（Optimizer）

优化器负责 更新模型参数。

常见：

Optimizer	特点
SGD	基础
Adam	最常用
AdamW	Transformer常用

例如：

optimizer = Adam(model.parameters(), lr=0.001)

九、训练过程（Training Loop）

核心流程：

for epoch:
for batch:
forward
loss
backward
update

解释：

1 forward

输入数据：

y_pred = model(x)

2 loss

计算误差：

loss = criterion(y_pred, y_true)

3 backward

反向传播：

loss.backward()

基于：

Backpropagation

4 更新参数

optimizer.step()

5 清空梯度

optimizer.zero_grad()

十、验证（Validation）

每个 epoch 都要验证。

model.eval()

计算：

val_loss
accuracy
RMSE

十一、超参数调整（Hyperparameter Tuning）

超参数：

learning rat
batch size
layers
hidden size
dropout

方法：

1 Grid Search

暴力搜索。

2 Random Search

随机组合。

3 Bayesian Optimization

自动优化。

常用工具：

Optuna

十二、模型评估（Evaluation）

根据任务不同，常用的评估指标可分为以下几类：

分类任务评估指标

Accuracy（准确率）
- 定义：模型预测正确的样本占总样本的比例
- 公式：(TP + TN) / (TP + TN + FP + FN)
- 适用场景：类别分布均衡时效果较好
Precision（精确率）
- 定义：预测为正的样本中实际为正的比例
- 公式：TP / (TP + FP)
- 示例：在垃圾邮件检测中，精确率高意味着误判为垃圾邮件的正常邮件较少
Recall（召回率）
- 定义：实际为正的样本中被正确预测的比例
- 公式：TP / (TP + FN)
- 示例：在疾病诊断中，高召回率意味着漏诊率低
F1 Score（F1分数）
- 定义：精确率和召回率的调和平均数
- 公式：2 * (Precision * Recall) / (Precision + Recall)
- 特点：在类别不平衡时比准确率更有参考价值
ROC-AUC（受试者工作特征曲线下面积）
- 定义：模型区分正负样本能力的综合指标
- 范围：0.5（随机猜测）到1（完美分类）
- 优势：不受分类阈值影响

回归任务评估指标

RMSE（均方根误差）
- 定义：预测值与真实值差异的平方的平均值的平方根
- 公式：sqrt(mean((y_true - y_pred)^2))
- 特点：对异常值敏感，单位与原始数据一致
MAE（平均绝对误差）
- 定义：预测值与真实值绝对差异的平均值
- 公式：mean(|y_true - y_pred|)
- 优势：对异常值不敏感，解释性强
R²（决定系数）
- 定义：模型解释的目标变量方差比例
- 范围：负无穷到1（1表示完美拟合）
- 应用：常用于比较不同回归模型的解释力

生成任务评估指标

Validity（有效性）
- 定义：生成内容符合特定领域规则的程度
- 示例：在分子生成中，评估生成的分子结构是否化学有效
Novelty（新颖性）
- 定义：生成内容与训练数据中已有样本的差异程度
- 测量方法：计算与最近邻样本的距离或相似度
Uniqueness（独特性）
- 定义：在批量生成中不同样本之间的差异程度
- 应用：在创意设计领域尤为重要，避免生成重复内容

补充说明：

实际应用中常需要根据具体需求组合多个指标
某些领域（如NLP）还有BLEU、Perplexity等专用指标
指标选择应考虑计算成本和业务需求的平衡

十三、模型保存（Checkpoint）

训练完成后保存：

torch.save(model.state_dict())

或：

checkpoint

十四、模型推理（Inference）

部署时：

model.eval()

输入新数据：

prediction = model(x)

十五、模型部署（Deployment）

例如：

Web API

例如：

Flask

流程：

用户 → API → 模型 → 结果

十六、持续训练（Continual Learning）

在实际项目中，模型迭代更新通常需要以下关键步骤：

数据准备阶段：

收集新产生的业务数据（如用户行为日志、交易记录等）
清洗数据（处理缺失值、异常值、重复数据）
进行特征工程（特征提取、特征转换、特征选择）
划分训练集、验证集和测试集（建议比例7:2:1）

模型重新训练：

加载原有模型结构和参数作为初始值
使用新数据+旧数据的混合数据集进行训练
调整超参数（如学习率、batch size等）
监控训练过程（通过验证集评估性能）
早停机制防止过拟合

模型更新部署：

在测试集上评估新模型性能
A/B测试验证实际效果（新旧模型并行运行）
灰度发布新模型（逐步扩大流量比例）
全量替换旧模型
建立监控报警机制（监控预测延迟、准确率等指标）

十七、完整训练 Pipeline

完整流程：

定义任务
↓
数据收集
↓
数据清洗
↓
特征工程
↓
数据划分
↓
模型设计
↓
训练
↓
验证
↓
调参
↓
测试
↓
保存模型
↓
部署

十八、深度学习训练代码框架（PyTorch）

AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

AtomGit 首发开源｜光轮智能发布全球首个十万小时级全模态人类行为开源数据集 EgoSuite-Open100K

AtomGit开源社区

构筑赋能金融行业应用 Agent｜20 强决战北京，一场金融 Agent 的硬核答卷

AtomGit开源社区

AtomCode 全新上线万亿代码模型 LongCat-2.0。限时 7 天免费体验！

AtomGit开源社区

所有评论(0)

查看更多评论

m0_53768713

@m0_53768713

已为社区贡献1条内容

【分子生成】构建一个分子生成模型的基本步骤

m0_53768713

（更新：对于其中的一些内容做了一些更新，如有问题可以在评论区交流）

一、问题定义（Problem Definition）

二、数据收集（Data Collection）

1 公开数据集

2 自己生成数据

三、数据清洗（Data Cleaning）

1 删除错误数据

2 去重

3 标准化

四、数据表示（Feature Engineering）

1 分子表示方式

(1) 指纹

(2) Graph

(3) 3D结构

五、数据集划分（Dataset Split）

六、模型设计（Model Design）

1 传统机器学习

2 深度学习

CNN

RNN / Transformer 在 SMILES 序列处理中的应用

模型架构

循环神经网络 (RNN)

Transformer 架构

在 SMILES 序列中的应用

典型应用场景

代表模型

模型对比

实际应用示例

图神经网络（GNN）及其应用

GNN的主要应用领域

分子图分析

常见的图神经网络模型

1. 图卷积网络（GCN）

2. 图注意力网络（GAT）

3. 消息传递神经网络（MPNN）

其他重要变体

七、损失函数（Loss Function）

损失函数的作用

分类任务中的损失函数

交叉熵损失（Cross Entropy Loss）

回归任务中的损失函数

均方误差（MSE, Mean Squared Error）

平均绝对误差（MAE, Mean Absolute Error）

生成模型中的损失函数

KL散度损失（KL Divergence Loss）

重构损失（Reconstruction Loss）

具体模型示例

变分自编码器（Variational Autoencoder, VAE）

八、优化器（Optimizer）

九、训练过程（Training Loop）

1 forward

2 loss

3 backward

4 更新参数

5 清空梯度

十、验证（Validation）

十一、超参数调整（Hyperparameter Tuning）

1 Grid Search

2 Random Search

3 Bayesian Optimization

十二、模型评估（Evaluation）

分类任务评估指标

回归任务评估指标

生成任务评估指标

十三、模型保存（Checkpoint）

十四、模型推理（Inference）

十五、模型部署（Deployment）

Web API

十六、持续训练（Continual Learning）

十七、完整训练 Pipeline

十八、深度学习训练代码框架（PyTorch）

所有评论(0)

温馨提示：您尚未绑定手机号

m0_53768713