基于动态推理方法的小分子生成

摘要

小分子生成在药物设计、新材料开发等科学领域具有重要应用前景。近年来，扩散模型因其卓越的生成能力而被广泛用于分子结构生成任务。然而，现有的扩散生成方法多将分子性质视为静态条件输入，未能充分捕捉结构与性质之间的动态关系，难以实现对目标性质的精准控制。为解决这一问题，本文提出了一种基于动态推理的小分子条件生成模型，该模型结合了边缘引导的离散扩散机制与分子性质预测模块，从而实现了分子图结构与性质在生成过程中的联合建模与动态协同优化。该方法引入图神经网络对扩散中间状态的分子图进行性质估计，并在去噪过程中将估计结果与目标性质共同纳入损失函数中，提升模型对结构-性质一致性的建模能力。实验结果表明，本文方法在多个性质控制范围内均显著优于现有基线模型，在精确目标性质控制任务中，所提方法将HOMO和μ的MAE分别降低了21%和18%；在随机条件生成任务中，对应MAE指标分别下降约33.3%和31.7%，验证了动态推理机制在提升性质可控性与生成质量方面的有效性。

关键词

小分子生成 / 动态推理 / 扩散模型 / 分子性质预测 / 图神经网络