MolMIM 论文精读：隐空间优化为什么不等于发现先导物

MolMIM（Reidenbach 等, 2022/ICLR MLDD 2023）是一种面向受约束小分子生成的概率自编码模型。它用 Mutual Information Machine 训练，让可变长度 SMILES 映射到固定长度隐空间。

论文核心

• 固定长度隐空间：便于在连续空间中搜索和优化。
• 密集有效区域：训练目标鼓励隐空间附近采样能解码成合法分子。
• CMA-ES 优化：在隐空间中做黑箱搜索，优化相似性约束和目标属性。

怎么不被高分误导

• 论文中的目标多是标准化代理任务，项目中要换成真实多参数目标。
• 相似性约束能保留已知 scaffold，但也可能限制跳出局部化学空间。
• 隐空间优化输出必须做可合成性、专利、结构合理性和实验优先级判断。

延伸资源

• 论文：Reidenbach et al., arXiv 2022 / ICLR MLDD 2023；配套：158《分子生成模型》。