6、分子图神经网络：进展与应用

分子图神经网络：进展与应用

1. 分子生成模型

分子生成是分子科学中的重要研究方向，多种生成模型被应用于此，主要可分为基于片段的生成和基于分子的生成。
- 基于片段的生成 ：将生成过程定义为依次添加原子、键或基序来构建图。这种框架结合强化学习（RL）或自回归模型，使过程更易处理。RL为分子优化提供了合适的框架，近期利用基于流的模型自回归生成分子的工作也取得了成功。
- 基于分子的生成 ：同时生成整个分子。基于变分自编码器（VAE）的生成模型被广泛使用，它能明确学习一个有意义的潜在空间，便于进行分子搜索和优化。生成对抗网络（GAN）模型也有应用，但由于训练可能不稳定且生成过程难以控制，不如VAE使用广泛。基于流的模型也可用于基于分子的生成，同时生成节点特征、键特征和/或邻接矩阵。此外，基于分数或扩散模型在图像生成中的发展也启发了分子生成的相关研究。

近年来，研究更多地关注超越二维图的三维分子结构生成，因为三维结构在各种分子应用中起着至关重要的作用。

2. 其他应用

除了分子生成，图神经网络在分子科学中还有其他重要应用。

2.1 合成规划与逆合成预测

合成规划旨在通过一系列化学反应确定从可用起始材料合成化合物的路径。逆合成预测则是给定所需产物，递归选择合适的断键位置。计算逆合成分析的主要挑战在于目标化合物化学反应的组合探索空间。主要有两种方法：基于模板的方法和无模板的方法。
- 基于模板的方法 ：将目标分子与化学反应规则匹配，生成一个或多个候选前体。
- 无模板的