MolCraftDiffusion：面向计算化学的模块化3D分子扩散生成平台

先说一个现状：在分子生成领域，3D分子模型理论上比SMILES或分子图更贴近物理现实，毕竟分子的催化活性、结合能这些性质，说到底是由三维构型决定的。但理想很丰满，现实很骨感——3D模型训练成本高，各个课题组各自为战，代码不兼容、评测协议不一致，导致很难直接比较、也很难在实际工作中落地。这篇文章要介绍的MolCraftDiffusion，正是冲着这些痛点去的。

MolCraftDiffusion：一个分层解耦的开源平台

这个平台的设计思路很清晰：把核心训练逻辑、模型定义、任务实现这三层彻底分开。说白了，就是让你能像拼乐高一样，把新的生成架构、新的引导策略、新的评测指标“插拔式”地集成进去。所有工作流都通过YAML配置文件加命令行接口驱动，对非机器学习背景的化学研究者相当友好。

核心贡献速览

平台的方法学贡献可以归纳为四个方面：第一，三种课程学习策略（PCL、SPL、HCL）用于扩散模型的高效预训练；第二，结构引导（分子inpainting/outpainting）与性质引导（梯度引导、无分类器引导、混合引导）的统一实现；第三，一套包含12项指标的结构质量标准化评测体系；第四，三个真实计算化学问题的落地验证。此外，他们在不修改核心代码的前提下，成功移植了TABASCO、ADiT、ShEPhERD这三个架构迥异的外部模型——这才是对所谓“可扩展性”最直接的证明。

1. 研究背景与动机

1.1 为什么非得是3D？

分子生成模型大体分三条路：SMILES字符串、分子图、三维坐标。前两条路走得比较成熟，但大多数物理化学性质——催化活性、蛋白-配体结合能、光电性质——本质上由三维构型决定。所以，能够在笛卡尔坐标空间中直接生成原子位置的模型，理论上提供了更“贴近物理”的设计路径，对催化剂设计、蛋白-配体结合这类任务尤其关键。当然，代价也很大：构象空间庞大、空间约束严格，分子对称性（旋转、平移、置换）必须被显式处理。

1.2 领域内的两个结构性问题

文章开篇就点出了当前3D分子生成研究的两个瓶颈：第一，训练成本高。以EDM为代表的等变扩散模型，在大规模、化学多样的数据集上从零训练，收敛困难，计算开销大。第二，生态高度碎片化。自2022年EDM提出以来，后续工作几乎都是各自为战——代码分散在不同仓库，依赖不同的软件环境，评测协议也不一致。这直接导致可复现性差，方法间难以公平比较，严重制约了3D生成模型在真实计算化学工作流中的落地。

1.3 已有引导生成方法的局限

在扩散模型基础上，学界已经发展出不少“引导生成”技术，大致分两类：结构引导和性质引导。结构引导的问题在于，多数方法把结构约束直接嵌入模型架构，需要专门的训练目标和数据集，难以迁移到其他预训练模型上。性质引导也有类似的“绑定特定模型”问题。MolCraftDiffusion的设计目标很明确：让引导机制成为可以插在任意扩散模型上的“插件”，而不是某个模型自带的专属功能。

---

2. 总体架构

2.1 设计哲学

平台的核心设计原则是分层解耦：核心训练逻辑（trainer/sampler等底层机制）、模型定义（网络架构）、任务实现（具体的引导策略、评测指标）三者相互独立。新增一种生成架构、一种引导策略或一项评测指标，原则上不需要改动其他层的代码——这正是后面“零代码修改集成TABASCO、ADiT、ShEPhERD”得以实现的工程基础。

2.2 四大功能模块

模块	英文名	功能
(i) 训练器	Training	训练扩散模型、性质回归器、引导模型；支持从零训练，也支持对预训练模型微调
(ii) 生成器	Generation	提供结构引导（分子inpainting/outpainting）与性质引导（梯度引导/无分类器引导）的可组合受控生成机制
(iii) 预测器	Prediction	直接从三维分子结构进行性质回归
(iv) 分析器	Analysis	标准化评测生成结构的化学有效性、几何稳定性、结构完整性与多样性

2.3 工程实现细节

交互方式上，所有工作流均通过命令行接口（CLI）加YAML配置文件驱动，门槛低。数据层原生支持多模态分子数据格式——XYZ坐标文件配合CSV元数据、ASE数据库，以及预处理后的二进制格式；自动处理图神经网络/点云表示所需的batch collation逻辑。化学信息集成方面，原生对接RDKit、Morfeus、Cosymlib，可以直接引入超越“原子身份”本身的化学相关节点特征。文档与可复现性做得也很到位：每个模块都有公开教程，论文中每个实验对应的YAML配置文件也已存档于Zenodo。

---

3. 基础生成模型：E(3)-等变扩散模型（EDM）

MolCraftDiffusion当前默认使用的生成骨架是Hoogeboom等人提出的EDM（Equivariant Diffusion Model）。一个分子被表示为原子类型与三维坐标的组合x = (h, x)。扩散过程包含两个阶段：前向过程逐步向原子属性与坐标添加高斯噪声，直至完全退化为纯噪声；反向过程训练一个去噪网络，学习逐步预测并移除每一步添加的噪声，最终从纯噪声重建出合理的分子结构。

去噪网络采用等变图神经网络（EGNN），天然满足三维分子的旋转/平移对称性，训练目标就是预测噪声与真实噪声之间的均方误差（MSE）。采样流程大致是：从标准正态分布采样初始潜变量，然后逐步执行去噪步骤，每一步更新后对坐标分量减去质心以保持平移等变性，最后解码得到原子类型与坐标。论文同时在QM9数据集上对EDM架构做了消融研究，考察了模型容量、噪声调度方式与原子特征选择的影响。

---

4. 课程学习：让扩散模型训得动、训得快

4.1 动机

扩散模型的去噪目标本质上是高方差的优化问题。直接在GEOM这类大规模、化学多样、构象复杂的数据集上从零训练，收敛困难且效果不佳。论文借鉴课程学习思想，让模型先掌握简单分子的统计规律，再逐步过渡到复杂结构。

4.2 三种课程学习策略

策略	全称	机制
PCL	Predefined Curriculum Learning	按预先设定的难度标准（分子大小、重原子数、是否含环/支链等）对数据集分阶段排序，依固定顺序训练
SPL	Self-Paced Learning	从在小分子上预训练好的模型出发，每个batch内动态丢弃loss超过某阈值的样本；阈值逐步放宽，让模型按自身学习节奏推进
HCL	Hybrid Curriculum Learning	先按PCL的预定义难度分阶段，每个阶段内部再叠加SPL的自适应样本选择

所有课程学习实验都遵循统一流程：先在QM9+VQM24（小分子）组合数据集上预训练200个epoch，再迁移到结构更复杂的GEOM数据集，套用上述三种策略之一继续训练。

4.3 定量结果

直接看数据吧。不加任何课程学习策略，直接在GEOM上训练，“有效且连通”比例仅2.4%，几何优化后保持原拓扑结构的比例仅1.1%——基本不可用。引入任意一种课程学习策略后，这个指标直接跃升至70%量级，这是数量级的提升，不是边际改善。

训练策略	化学有效 (%)	连通 (%)	有效且连通 (%)	RMSD (Å)	优化后拓扑完整 (%)	Novelty	Uniqueness
直接训练GEOM（无课程）	9.7 ± 0.1	19.3 ± 1.1	2.4 ± 0.2	1.63 ± 0.04	1.1 ± 1.1	0.72	0.79
EDM + PCL	92.3 ± 0.9	76.3 ± 0.8	71.9 ± 0.07	1.08 ± 0.02	83.6 ± 1.5	0.68	0.78
EDM + SPL	95.7 ± 0.9	79.3 ± 0.7	77.4 ± 1.2	1.00 ± 0.02	86.1 ± 1.0	0.66	0.76
EDM + HCL（最优）	94.8 ± 1.2	82.6 ± 1.5	79.0 ± 2.1	0.97 ± 0.02	88.1 ± 2.0	0.65	0.76
EDM + HCL（在多源汇编数据库上继续微调）	83.4 ± 0.4	82.2 ± 1.9	73.8 ± 1.6	1.03 ± 0.03	83.8 ± 1.4	0.64*	0.77*

三个关键观察点：第一，三种策略中HCL综合表现最佳——有效连通率79.0%、RMSD降至0.97 Å、拓扑保留率88.1%。第二，有一个值得注意的trade-off：SPL类策略虽然提升了有效性与几何稳定性，但uniqueness/novelty略低于纯PCL。原因是SPL机制会主动丢弃高loss的训练样本，这在提升收敛质量的同时，客观上压缩了模型实际学到的分子种类范围。作者很坦诚地指出了这一点，而不是只展示对自己最有利的指标。第三，在HCL预训练模型基础上，进一步用SPL在多源汇编的3D分子数据库上微调，得到了论文实际用于下游应用的预训练基础模型——这正是后续三个应用案例所使用的起点。

---

5. 结构引导生成：Molecular Inpainting 与 Outpainting

这里巧妙地把图像处理中的经典技巧搬到了三维分子上。Inpainting（局部重绘）和outpainting（画布扩展）原本是图像修复和补全任务中的技术。论文将这两个概念以“插件式”的方式移植到分子扩散模型——不需要为结构约束专门设计模型架构或训练目标，直接套用在已训练好的无条件扩散模型上就行。

5.1 Molecular Inpainting（分子局部重绘）

机制很简单：对参考分子的原子属性与坐标施加指定强度的噪声，从而部分擦除结构信息；随后从该噪声水平开始重新执行去噪过程，生成新的三维分子。实现上支持仅对一个“掩码原子子集”加噪，其余原子在整个去噪过程中保持固定——这使得可以做精确的局部编辑，比如片段替换、侧链修饰，而不影响分子的其余部分。关键调节参数是噪声强度d：d越大，生成结构与参考结构的差异越大（探索性更强，但失败率上升）；d越小，越倾向于保留原始结构信息。

5.2 Molecular Outpainting（分子骨架扩展）

机制上，在扩散的最终时间步T，将固定的核心骨架与随机初始化的“新增原子”拼接，构成初始潜变量。整个去噪过程中，核心部分的坐标与原子类型保持固定，只对新增区域进行去噪生成。为避免立体冲突，框架额外施加空间约束，确保新生成区域的原子不与核心骨架发生重叠。还有两项改进策略用于提升生成质量：一是后期松弛，在去噪过程的最后几步允许核心部分的原子坐标重新参与去噪，使核心结构能够在空间上微调，与新生成区域更好地融合；二是专属条件训练目标，在前向加噪过程中冻结核心原子的位置和类型，模型被训练为只预测非核心原子上的噪声，从而显式地针对“围绕固定核心补全分子”这一任务进行适配。这个训练目标可以直接对已有的无条件预训练模型进行微调，而非从零训练——在第7.2节的IFLP案例中，这一点被证明是决定性的。

---

6. 性质引导生成：Gradient Guidance、CFG 与混合引导

除了结构约束，很多任务——比如催化活性、激发态能级——需要生成结果在数值上满足目标性质。论文实现并系统比较了三种机制。

6.1 梯度引导（Gradient Guidance, GG / classifier-based guidance）

在每一步去噪时，使用目标函数相对于当前潜变量的梯度来扰动采样轨迹，引导生成方向逼近目标性质。这个方法本身不需要微调扩散模型，但要求存在一个可微的目标函数。为此，论文额外训练一个共享EGNN骨干的“引导模型”，通过监督回归来获得这个可微目标函数。特点在于：引导模型与具体扩散模型的噪声调度、参数化方式绑定，更换扩散架构需要重新训练；引导强度与梯度裁剪阈值需要手动权衡，避免生成轨迹偏离训练分布过远。

6.2 无分类器引导（Classifier-Free Guidance, CFG）

不依赖外部分类器或回归器，而是直接对扩散模型本身做适配：扩展EGNN编码层的输入维度以容纳条件变量，并在训练时以一定概率将条件值替换为预定义的“空值token”，从而让同一模型既能无条件生成、也能按条件生成。推理阶段的核心公式是条件预测与无条件预测的线性组合，引导强度w越大，生成结果越偏向满足条件y，但同时也越可能牺牲结构有效性。CFG同样支持多目标条件组合。

6.3 混合引导（CFG/GG）

将条件扩散模型（CFG）与梯度引导（GG）并联使用：条件模型先把生成方向“扳”到大致正确的区域，梯度引导再做精细的轨迹微调。需要分别设定CFG与GG各自的引导强度，以及梯度引导在哪些去噪步骤上生效。在第7.3节的单重态裂分案例中，混合引导在“性质命中率”与“结构有效性”两个维度上都取得了三者中最好的综合表现。

---

7. 应用案例深度解析

论文用三个真实计算化学问题验证框架的实用性，难度是递进的：从相对成熟的虚拟库构建，到几何反推，再到需要量子化学验证的激发态性质反推。

7.1 案例一：不对称环戊二烯基（Cp）配体虚拟库设计

先说化学背景：环戊二烯基（Cp）配体与Co/Rh/Ir等第9族金属络合后，可催化高对映选择性的二氢异喹啉酮类反应。但这类配体合成路线复杂，实验上很少进行系统性的大规模筛选——这正是虚拟库设计能够填补的空白。以1,1′-联-2-萘酚环戊二烯基（BINOL-Cp）为起始骨架，其不对称诱导原理依赖三个结构元素——“后墙”“侧墙”“天花板”。

生成流程是这样的：从裸BINOL-Cp骨架出发，使用outpainting在三个取代位点生成取代基。初始生成2,500个结构，其中745个通过化学有效性检查，成功率29.8%。将有效配体对接到Co(III)络合物上，经几何优化后计算立体描述符。结果显示：AI生成的BINOL-Cp衍生物在立体性质图谱上覆盖了远比现有实验配体更宽广的区域；而真实合成出来的配体几乎全部聚集在“低立体阻碍”的一角。

针对初始生成结果仍稀疏覆盖的区域，论文选取两个邻近空白区的种子结构，改用inpainting仅对取代基做局部变动、骨架保持不变：在1,000个新生成结构中，额外获得366个有效结构，成功填补了此前稀疏的区域。生成的代表性配体可以从几乎所有方向屏蔽金属中心，呈现出极端的立体拥挤构型。

为探索“后墙/侧墙”区域的多样性，论文进一步对BINOL骨架本身施加inpainting，保持Cp环与氢取代基固定，并限制生成分子的尺寸与原骨架相近。当去噪强度d=0.3时，有效配体比例最高（87%），但多数与原始BINOL-Cp结构高度相似；随着d增大，生成的骨架变得更多样，但有效率相应下降。

这个案例较为成功地展示了“outpainting广覆盖 + inpainting精补漏”这一组合策略在虚拟库构建任务上的有效性，是论文中执行最顺利的应用场景。

7.2 案例二：CO₂氢化催化剂——分子内受阻路易斯酸碱对（IFLP）的几何反向设计

化学背景比较专业，但核心逻辑很清楚：在CO₂催化氢化制甲酸盐的反应循环中，关键中间体INT2的两个几何参数——B–N距离d_BN与B–H/N–H键夹角Φ——与催化活性高度相关。设计目标就是将这些中间体限定在高活性区间。

实验结果很能说明问题：直接使用outpainting（预训练模型，未微调），有效INT2比例只有5.2%；扩展骨架后提升到9.8%；而采用“自适应外推”（针对outpainting设计专属训练目标、在微调中冻结核心原子）后，有效率跃升至38.1%和46.7%。

方法	起始骨架	有效INT2比例
直接outpainting（预训练模型，未微调）	B–H/N–H核心（最小骨架）	5.2%
直接outpainting + 扩展骨架	扩展骨架	9.8%
自适应外推（专属训练目标微调200 epoch）	目标骨架（d_BN=2.82 Å, Φ=94.8°）	38.1%
自适应外推	更常见骨架（d_BN=2.67 Å, Φ=33.45°）	46.7%

直接outpainting表现不佳的原因被归结为：B–H/N–H这一核心骨架本身空间结构稀疏、缺乏刚性支撑（不同于上一案例中刚性的Cp环骨架），导致生成模型容易产生畸变结构。

几何优化后的“双料”评估结果更有意思：常见骨架在优化后结构完整性更高（83.8%），但其几何指标命中目标区间的比例却更低（18.6%）；而本身在数据集中代表性不足的目标骨架，尽管结构稳定性稍差（64.1%），命中率反而更高（25.7%）。这提示骨架选择本身就是一个需要权衡的设计变量，而非可以忽略的细节。论文还指出，高活性候选分子中B、N中心之间多间隔2–3个原子，与既往工作结论一致；但生成的IFLP候选总体表现出比训练集更高的合成复杂度评分，提示合成可行性仍是短板。

作者坦诚地指出了局限性：当前引导框架尚未纳入路易斯中心的酸碱性等化学性质约束；几何优化后的“双料命中率”总体偏低，主动学习是值得探索的改进方向。

7.3 案例三：单重态裂分（Singlet Fission）发光材料的性质反向设计

单重态裂分是指一个被吸收的光子裂变为两个三重态激子的物理过程，若能用于光伏器件，理论上可以突破单结太阳能电池的Shockley-Queisser效率上限。一个分子要被视为可行的单重态裂分（SF）色基团，必须在几何优化之后仍同时满足三条竖直激发态判据。这是一个比前两个案例更苛刻的设计任务——生成模型必须同时产出合理的基态几何和经量子化学计算验证后仍成立的激发态性质。

论文使用FORMED数据库训练了一个EGNN袋里模型，直接从三维结构预测激发态性质，同时服务于梯度引导的目标函数计算与候选结构的快速初筛；最终验证则通过完整几何优化加TD-DFT重新计算完成。

三种引导方式的对照实验（各生成1,000个分子）：

引导方式	化学有效率	优化前命中率	优化后命中率	与优化结构的RMSD
梯度引导（GG）	65.5%	62.9%	13.6%	1.02 Å
无分类器引导（CFG）	89.1%	27.8%	27.8%	0.53 Å
混合引导（CFG/GG）	84.7%	80.8%	43.9%	0.57 Å

解读这个结果很有意思：CFG生成的分子化学有效率最高、几何也最稳定，但由于数据库中天然满足SF条件的分子样本有限，条件信号偏弱，因此把能量分布“推”向极端区域的能力有限。GG凭借显式梯度，能在优化前把命中率推得很高（62.9%），但代价是频繁扭曲分子几何（RMSD高达1.02 Å），导致绝大多数“优化前命中”在几何优化后失效，最终命中率反而最低。混合引导结合了两者优势——CFG提供大方向上正确、结构合理的起点，GG再做精细的性质微调——在优化前命中率（80.8%）与优化后命中率（43.9%）两个维度上都是三者中表现最好的方案，且结构精度与CFG接近。

在多样性与新颖度方面，三种引导方式生成结构的uniqueness和novelty都明显高于FORMED数据库中已知满足SF条件的分子子集本身。论文特别将其与此前基于强化学习的方法进行对比：强化学习方法虽然命中率也不低，但生成结果容易在单次实验内集中于很窄的化学空间；相比之下，扩散模型加混合引导这一路线天然产出了更分散、更具探索性的候选集合。

最终筛选与验证：以混合引导生成结果中、按优化后SF评分排序的前150个分子为分析对象，134个满足竖直激发态判据；进一步采用更严格的绝热激发态标准，最终确认69个为可靠的单重态裂分候选。结构上呈现出富勒烯型、偶氮氧等异质环基序，与既往研究的结论一致。

作者也指出了局限：部分高分候选存在“好看但不真”的问题——比如偶氮开关基团中间出现反向π共轭、自由硼中心易发生水解、部分异质环在合成上极不现实——而这些缺陷恰恰不被SAScore、SCScore这类标准合成可行性评分捕捉，暴露出现有合成性评分体系在分子稳定性判断上的盲区。

进一步改进尝试表明：在分子表示中引入额外原子特征，并将SCScore作为额外的条件变量与目标能级一起引导生成，结果使生成分子的平均SCScore从3.9降至约3.4，不稳定性基团明显减少——但伴随轻微的命中率下降，体现了“性质优化”与“合成可行性约束”之间的典型权衡。

---

8. 标准化结构质量评测体系

论文构建了一套覆盖化学有效性、几何合理性、稳定性与多样性的12项指标评测体系。基础有效性检查包括化学有效性、连通性、有效且连通；PoseBusters几何合理性检查包括键长/键角、环平面性、双键平面性、无立体冲突、内能合理性；几何优化前后的一致性通过平均RMSD和拓扑完整性保留来衡量；化学空间多样性则基于Morgan分子指纹的Tanimoto相似度计算Uniqueness和Novelty。

这套体系的价值在于：所有架构共享同一套评测协议，使得不同模型之间的横向比较第一次具备了可信的统计基础——这正是论文反复强调的“标准化平台”价值的具体落地。

---

9. 平台可扩展性验证：移植三个外部模型

为验证“分层解耦”架构的真实可扩展性，论文在不修改核心代码的前提下，将三个架构迥异的文献模型接入MolCraftDiffusion：TABASCO（基于Transformer、采用flow-matching框架）、ADiT（所有原子隐空间扩散Transformer）、ShEPhERD（SE(3)-等变扩散模型，联合建模3D结构与交互特征）。前两个模型在与EDM-HCL相同的训练/生成/评测协议下进行评估，性能相当，证明了平台在通用无条件生成任务上的横向比较能力。ShEPhERD的集成更进一步——论文同时将其专属的评分函数也整合进分析模块，并通过加载原始预训练权重验证了自一致性。

这一节是全文中最直接支撑“模块化架构具备真实可扩展性”这一核心论点的实证部分。

---

10. 综合讨论与局限性

整理一下全文中的方法学局限：第一，化学约束的覆盖仍不完整，当前引导框架未将路易斯中心酸碱性等需要复杂结构-性质关系建模的化学性质纳入引导目标。第二，合成可行性评分存在盲区，SAScore、SCScore等标准评分无法捕捉某些“看起来正常但实际不稳定/不现实”的结构缺陷。第三，效果的体系依赖性很强，附加原子特征、引入合成性评分作为条件变量等改进策略，在IFLP案例中结论并不一致。第四，稀疏/柔性核心骨架对outpainting仍是挑战，必须依赖专属微调才能获得可用的命中率。第五，几何优化后的“双料命中率”总体偏低，作者认为主动学习是值得探索的提升路径，但尚未在本文中实证。

这些局限性的坦诚披露，本身是这篇方法学论文质量的一个体现——它没有把三个案例包装成“完美闭环”，而是把每一处不足都摆在了桌面上。

---

11. 总结

MolCraftDiffusion的核心贡献并不在于提出了一个性能更强的新生成模型，而在于为3D分子扩散生成研究提供了一套可复用、可比较、可扩展的工程基础设施。它通过课程学习，把“扩散模型在化学多样数据集上训不动”这一痛点，转化为一个有明确方法论支撑、效果可量化的工程问题；通过结构引导与性质引导的统一实现，把原本分散在各篇论文里、彼此不兼容的“控制生成”技巧，整合进同一套可插拔的接口；通过三个真实计算化学案例的端到端验证，展示了从“分子长得像不像”这种表层评测，走向“分子是否真的满足下游应用判据”的可能路径；通过零代码修改移植三个外部模型，对“模块化、可扩展”这一架构主张给出了具体可检验的证据。