ICLR‘25 | 兼顾分子优化效率与效果，InversionGNN新方法解析！

最新推荐文章于 2025-12-20 19:32:34 发布

原创最新推荐文章于 2025-12-20 19:32:34 发布 · 816 阅读

CC 4.0 BY-SA版权

文章标签：

【ICLR 2025预讲会】系列内容

ICLR 2025预讲会系列文章来源于 DAMO 开发者矩阵与 AI Time 联合举办 ICLR 2025预讲会整理成稿，旨在帮助大家率先了解深度学习领域的最新研究方向和成果。本文为文章作者的观点/研究数据，仅供参考，不代表本账号的观点和研究内容。

摘要

分子优化是药物设计和材料科学中的重要任务之一。分子优化的主要目标是通过改变分子结构（对分子内原子的增删置换）来达到所需的分子属性和功能。当前的分子优化方法存在很多问题，包括无法很好地兼顾效率和优化效果，以及对分子多属性的联合优化效果不佳等。

针对上述问题，香港科技大学团队提出了一种新方法，名为 InversionGNN，该方法将优化算法直接用于分子结构，同时解决了分子多属性联合优化的帕累托改进方法挑战，获得了不错的优化效果。

论文链接：https://arxiv.org/abs/2503.01488

代码仓库：https://github.com/ivanniu/InversionGNN

现有分子优化方法介绍

当前业内进行分子优化的方法有两种，第一种是 CGM（约束生成模型），用一个生成模型将分子的离散拓扑结构映射到一个连续的潜空间（continuous latent space）上，然后在潜空间上使用梯度下降、贝叶斯、遗传算法等方法进行优化工作。在潜空间上找到较好的潜向量后，就可以用一个解码器将其解码为离散的分子结构；第二种方法是 CO（组合优化），直接在离散分子结构上做增删置换工作。

第一种方法的效率很高，但效果较差。因为潜空间还不能很好地代表复杂的化学空间；第二种方法效果很好，但需要大量的筛查、后处理、分子属性验证工作，效率比较低下。

当前分子优化领域存在两大挑战，其一是如何充分利用已有的化学知识来筛选出较好的分子结构。解决方法一般使用一个预训练的分子属性预测器来做筛选，用一些分数指标筛掉较差的分子结构，但这种方法无法充分结合已有的化学知识，因为某些分子结构表现出的属性优势是很难用分数衡量的；其二是一些分子属性存在冲突或相关，如何取舍平衡来进行多目标分子优化。当前的方法一般只考虑了单个属性的优化，没有考虑到多个属性之间的复杂关系。

InversionGNN 方法介绍

针对上述问题，香港科技大学团队提出了一种名为 InversionGNN 的新方法，其结合了 CGM 和 CO 两种已有方法的优点，提出了一个全新的优化框架：

该方法没有将分子结构映射到潜空间，而是直接在分子结构上进行编辑操作，但优化操作时引入了梯度优化算法。

首先，该方法有一个预训练的多头架构分子预测器，它可以预测分子的多个属性。优化分子结构时，预训练的 Oracle 是固定好的。分子结构被输入到 Oracle 中，计算出一个损失函数，再通过反传，将梯度直接传回到分子上，相当于全过程训练的是分子本身而非神经网络，从而使用梯度优化的方式获得改良后的分子结构。

该方法还引入了帕累托优化方法，用于解决多属性优化挑战。这里的重点在于，传统帕累托优化都用于连续的参数空间，该方法首次将帕累托改进用在了离散的分子空间上。

所谓帕累托优化就是通过对优化过程中的梯度进行调整，使得最终的解是整体是怕累托最优的。对于分子而言，就是找出多属性上帕累托最优的分子（符合分子设计目标，也就是各个属性分别达到预期数值）。同时我们引入权重向量来控制帕累托优化中不同属性的重要性。分子结构本身是离散的，因此进行帕累托改进时，我们每一步找出局部最优改进最优，利用贪心的思想对分子进行优化。

具体来说，该方法对分子的每个属性做一个损失函数，再对其求导得到导数，再对每一个属性的梯度进行平衡，得到统一的梯度再传回分子进行训练。这里使用了一个可微分的 scaffolding tree，在每一步对分子求导并找到邻域的帕累托最优解。这里的邻域是指每一次只对分子做一次修改对应的步骤。通过多次迭代，就可以得到最终的分子结构：

实验测试

InversionGNN 的实验设置如下：

这里使用的指标除了分子优化领域常见的指标外，还增加了一个多目标指标 Hypervolume。实验的目标有二个，第一是考察该方法能否在给定权重（属性偏好）时找到帕累托最优解；第二是考察方法能否探索整体的帕累托前沿。

实验结果表明，InversionGNN 可以很好地找到帕累托前沿（上图中的黑色曲线部分）与权重向量的交点，而其他方法很难获得类似的效果。其次，通过遍历权重向量， InversionGNN 可以很好地覆盖帕累托前沿，其他方法是很难充分覆盖的。

而给定权重后，通过多步迭代，该方法可以很好地达成所需的属性偏好效果：

上图中，蓝色的 X3（该方法的第三次迭代）已经落在了所需的偏好曲线（红色）上，其他方法（绿色）多次迭代后依旧明显偏离。

改变权重后，该方法获得的属性效果也相比其他方法显著提升了：

接下来，团队还对该方法生成的各种分子的多个指标进行了整体评估。这些指标中，Div 和 APS 往往相互制约，很难同时取得较高的表演，而 InversionGNN 在这两个指标上都取得了一流的表现：

在 Hypervolume 测试中，该方法的表现也显著优于其他多目标优化方法。