MolGuidance：面向条件分子生成的高级引导策略基于流匹配
机器学习
2025-12-16 v1 定量方法
摘要
条件分子生成的关键目标包括确保化学有效性、使生成分子与目标属性保持一致、促进结构多样性，以及实现高效采样以支持发现。最近的计算机视觉研究引入了多种新的引导策略，这些策略可被移植以支持上述目标。在本工作中，我们将最新的引导方法——包括无分类器引导、自动引导和模型引导——集成到基于 SE(3) 等价流匹配过程的领先分子生成框架中。我们提出了一种混合引导策略，分别指导连续分子模态（针对速度场）和离散分子模态（针对预测逻辑），并通过贝叶斯优化联合优化其引导比例。我们的实现在 QM9 和 QMe14S 数据集上进行基准测试，在de novo分子生成的属性对齐方面实现了新的领先水平。生成的分子还表现出高水平的结构有效性。此外，我们系统比较了各种引导方法的优势与局限，为其更广泛的适用性提供了见解。
引用
@article{arxiv.2512.12198,
title = {MolGuidance: Advanced Guidance Strategies for Conditional Molecular Generation with Flow Matching},
author = {Jirui Jin and Cheng Zeng and Pawan Prakash and Ellad B. Tadmor and Adrian Roitberg and Richard G. Hennig and Stefano Martiniani and Mingjie Liu},
journal= {arXiv preprint arXiv:2512.12198},
year = {2025}
}
备注
19 pages, 5 figures, code: https://github.com/Liu-Group-UF/MolGuidance