生成式深度学习在目标导向分子设计中的应用进展

王纪峰，汪莹(复旦大学高分子科学系聚合物分子工程国家重点实验室)

摘要: 分子设计作为化学与材料科学中的一项核心任务，面临着在庞大的化学空间中高效筛选并开发具备特定功能的分子的问题，传统方法在效率和探索性方面存在明显局限。近年来，生成式深度学习的兴起为分子设计提供了自动化与智能化的新路径。综述了生成式深度学习在分子设计中的应用进展，首先对不同分子表示方法(如SMILES、分子图和三维结构表示)进行比较，分析了各自的优缺点。随后，综合评估了3种主流生成式模型: 生成对抗网络(GAN) 、变分自动编码器(VAE) 和去噪扩散概率模型( DDPM) ，并探讨了生成式模型在目标导向分子设计中的应用，重点分析不同模型在分子生成质量与性质优化方面的差异。最后，基于现有技术的研究进展，提出了未来生成式模型在分子设计领域的研究方向。

关键词: 分子生成; 生成式深度学习; 生成对抗网络; 变分自动编码器; 去噪扩散概率模型; 模型性能评估框架; 分子表示