AI 分子生成模型：VAE、GAN、RL、Diffusion 不是同一种工具

AI 分子生成不是一个单一任务。生成“像药的分子”、围绕 lead 做 analog、根据口袋生成 3D 分子、优化多参数性质，是不同问题。VAE、GAN、RL、diffusion 各有适用场景。

范式比较

• VAE/自编码器：适合隐空间插值、相似性约束和局部优化，如 MolMIM。
• GAN：历史上用于分子生成，但训练不稳定、模式塌缩问题明显。
• RL/目标导向：适合明确奖励函数的优化，如 REINVENT；风险是奖励被钻空子。
• 扩散模型：适合 3D 构象、口袋条件生成、蛋白/结构生成等空间任务。

实战判断

• 先问生成约束：保留 scaffold？满足 pharmacophore？结合口袋？避开专利？可合成？
• 生成后必须去重、标准化、过滤反应性/PAINS、评估合成路线和 ADMET。
• 多样性、可解释性和可合成性通常比单个代理分数更重要。

延伸资源

• 配套：135《GuacaMol》、137《REINVENT》、149《MolMIM》。