重塑分子生成：PropMolFlow 实现性质引导下的高保真三维分子设计

编辑丨&

在生活、研究之中，我们触手可及的每一个物品，无论是可见或是不可见，组成它的化合物，在最初都只是分子猜测。在数目庞大的备选库中，找到合适的组合满足需求，这种费时费力的劳动在 AI 的帮助下已经渐渐成为了历史。

流匹配方法近年来在无条件分子生成领域取得了领先（SOTA），超越了基于分数的扩散模型，但它还无法满足在属性引导方面的需要。

来自佛罗里达大学（University of Florida）与纽约大学（New York University）等的团队开发出一种新方法 PropMolFlow，它结合了五种不同的性质嵌入方法，能够以约 10 倍速度生成分子候选物，且不影响结果的准确性和化学效度。

相关研究内容以「PropMolFlow: property-guided molecule generation with geometry-complete flow matching」为题，于 2026 年 1 月 22 日发布在《Nature Computational Science》。

论文链接：https://www.nature.com/articles/s43588-025-00946-y

重写生成路径

PropMolFlow 构建在 FlowMol 架构之上，通过对 NN 参数化的条件速度场积分生成样本。在这一框架中，模型不再学习逐步去噪，而是直接学习一个时间连续的速度场，描述分子从初始噪声分布演化到目标分布的全过程。

这其中大致可分为三点：

1. SE(3) 等变的速度场建模模型在原子坐标与特征空间中构建严格满足旋转、平移等变性的向量场，确保生成过程中几何一致性不被破坏。
2. 性质条件作为状态变量嵌入流场与“后验引导”不同，性质向量被直接作为条件输入参与速度场预测，意味着性质在每一个时间点都影响分子演化方向
3. 确定性推理路径流匹配允许使用常微分方程（ODE）求解，生成过程不再是随机采样，而是稳定、可控的连续演化。

在所有结构指标上，PropMolFlow 始终优于基线模型。由于流动匹配路径更短且具有确定性路径且传输最优，PropMolFlow 只需 100 步就能完成所需任务。

QM9 数据集测试

研究团队认识到，如果生成的分子在化学上无意义或未达到目标特性——即满足特定需求的所需特性——速度是无用的，因此他们通过与其他模型比较来测试 PropMolFlow 的准确性。

他们将重点放在对 PropMolFlow 生成的，具有靶向性质、分子结构效度和推断速度分子的能力上。团队主要通过使用密度泛函理论验证生成分子，这是一种基于物理的量子化学方法，能够从基本原理计算分子性质——独立于任何机器学习模型。

表 1：PropMolFlow 在属性比对方面的性能。

PropMolFlow 在与 SOTA 模型竞争中取得了良好的表现。据相关报道，PropMolFlow 生成的分子具有正确的键模式和合适的几何形状，超过90%。同时，PropMolFlow能够实现科学家所追求的分子性质，在多种分子性质上表现优于现有最佳方法，且计算速度更快。

此外，论文中还提到，当目标性质偏离训练分布时，扩散模型往往出现构型塌缩，而 PropMolFlow 的结构统计分布仍与真实分子高度一致。

利用性质引导的分子生成

凭借在几分钟内生成数千个化学有效、针对性质的候选物的能力，研究人员可以更快地进行迭代。PropMolFlow 展现的速度与精度结合更能突显产物的强性质比对性，其外推能力也可借由主动学习或强化学习框架来进一步提升。

不过，目前 PropMolFlow 还无法保证它的产物具有足够的稳定性。团队表示，包括上述问题在内的挑战，已经在尝试引入新技术解决。在当前分子生成模型逐渐走向真实设计场景的背景下，这种结构—性质—效率同时成立的系统，具备继续向前扩展的价值。

https://phys.org/news/2026-01-scientists-molecules-discovery.html