DriftingMol：解码器耦合漂移用于单遍属性条件分子生成
机器学习
2026-05-26 v1
摘要
属性条件分子生成应在低采样成本下产生有效且多样的分子，同时响应连续目标值。我们提出 DriftingMol，一个适配 SELFIES 潜在分子空间的两阶段框架。冻结的 SELFIES beta-VAE 提供潜在空间，解码器的隐藏表示作为 drift feature map。在解码器耦合漂移中，解码器权重保持固定，但漂移梯度通过解码器 feature map 反向传播到 DiT 生成器，诱导与分子解码对齐的 pullback metric。ZINC250K 上，默认设置实现 QED Spearman 相关系数 0.493，唯一性达 94.7%；而最强的解码器耦合条件达到 0.510。在协议匹配的四属性条件下，解码器耦合漂移的平均 Spearman 相关系数最高可达 0.598。在 15 个受控变体中，保持解码器特征梯度路径的模型在潜在空间、随机特征和外部特征漂移变体中均取得更高相关性，而脱离或 stop-gradient 解码器控制则导致 QED 相关系数接近零且唯一性极低。这些结果表明，解码器耦合漂移是一种高效的低成本机制，用于属性偏向的分子生成，只需一次生成器评估和一次冻结解码器通过。
引用
@article{arxiv.2605.24841,
title = {DriftingMol: Decoder-Coupled Drift for One-Pass Property-Conditional Molecular Generation},
author = {Jiangjie Qiu and Yijun Li and Wentao Li and Xiaonan Wang},
journal= {arXiv preprint arXiv:2605.24841},
year = {2026}
}
备注
9 pages, 5 figures