先给结论:构象不是一张分子的唯一三维照片
同一个分子图常对应多种三维构象:键长、键角、环形状和可旋转键二面角都可能变化。构象生成既可能要求低能集合、实验结构覆盖或热力学分布,也可能服务于下游性质预测;目标不同,表征、能量模型和评测也不同。
本文比较三条代表性路线。GeoDiff 在原子笛卡尔坐标上定义扩散,直接生成全分子坐标;Torsional Diffusion 将扩散限制在可旋转键的扭转角空间,同时固定由 cheminformatics 工具给出的局部结构;GeoMol 则预测局部几何与扭转角,再组装完整构象集。[1][2][3] 它们回答的不是同一个建模问题,因此指标和速度不能脱离采样步骤、初始结构、后处理及基准数据直接横向排名。
更重要的是,构象集合、能量排序、溶剂条件和自由能不是同一输出。一个在几何 RMSD 上覆盖良好的采样器,不自动具有正确的 Boltzmann 权重;低能结构集合也不必然等同于实验条件下的构象总体。基准能量来自什么计算层级、构象如何采样、分子标准化怎样处理、是否优化结构,以及评测是否修正了化学信息学和力场错误,都会改变最终结论。
构象生成任务的输入、输出与难点
输入通常是含原子、键、形式电荷和立体化学的分子图,输出为坐标集合及可选权重或能量。生成集合需兼顾多样性、低能质量、几何正确性和概率权重,避免只覆盖单一局部构象或纳入明显不合理结构。
几何上的自由度有层次。键长与键角通常在局部相对刚性区间内变化,非环可旋转键的扭转角影响分子片段相对朝向;环构象还会受到闭环约束,不能把所有键简单视为独立旋转。手性中心、双键 E/Z、拥挤造成的位阻和长程非键相互作用也会限制可访问结构。模型如何表示和约束这些自由度,决定它生成的候选范围及结构有效性。
笛卡尔坐标对每个原子同时建模,需学习化学几何与长程关系;扭转角方法维度较低,却依赖局部几何起点,固定键长、键角和环形状会限制可达结构。紧凑表征不能弥补错误的局部结构或需改变的大环构象。
笛卡尔坐标扩散:GeoDiff 直接生成原子位置
GeoDiff 把含有 n 个原子的构象写成坐标矩阵,在整套原子坐标上施加逐步高斯扰动,再学习从噪声逐渐还原分子构象的反向过程。模型以分子图为条件,并设计对整体旋转和平移等变或不变的几何操作,使生成分布不依赖输入分子在空间中的任意朝向。[1] 这种表征不必先枚举一组扭转角,也能对全部原子坐标的联合关系进行建模。
坐标扩散不依赖预设扭转列表,可联合改变局部几何与片段关系,但不会自动满足化学约束。模型仍需学习键长、键角、立体与非键作用;力场优化或几何修复也会影响最终质量,故应区分原始生成物与后处理结构。
GeoDiff 在 GEOM-QM9 与 GEOM-Drugs 等集合上评估构象覆盖和结构距离,并报告了基于相对 RMSD 的 coverage 与匹配距离类指标;其结果还分别展示未做和做过力场优化的情况。[1] 这些指标说明生成构象与基准构象集合在几何上的接近程度,不直接证明模型复现了正确的热力学概率。若结构在几何上相似但相对能量排序不对,RMSD 覆盖指标可能仍显得不错;反之,采样出能量合理的新构象也可能因与参考坐标有差别而得分不高。
迭代扩散需要多步采样,采样步数会影响耗时和结果。GeoDiff 的论文主实验使用较多反向步骤,并报告减少步数的对照。[1] 与其他模型比较速度时,需说明硬件、批量方式、采样次数、分子尺寸和后处理;不能单独引用一个步数或延迟数字来代表所有实现。笛卡尔方法减少步数是否仍保持同等多样性与能量性质,也需要在同一评估协议中重新测量。
扭转角扩散:Torsional Diffusion 把采样放到周期空间
Torsional Diffusion 不对所有笛卡尔坐标直接加噪,而是在分子中可旋转键的扭转角上定义扩散。对 m 个扭转角,状态空间是由周期角变量组成的环面;角度扰动采用周期兼容的分布,生成时从扭转角先验出发逐步沿反向过程采样。[2] 模型通过几何等变或不变的网络依据当前分子三维点云估计角度方向上的 score,然后通过绕键旋转更新一侧原子片段。
这种做法保留了局部结构起点提供的键长、键角和环构象,再只采样可旋转键的相对构型。其优势是把主要构象变化集中在有意义的内部自由度中,减少在全部原子笛卡尔坐标上反复搜索的成本。论文在 GEOM-DRUGS 等数据上报告了结构覆盖、最近邻 RMSD 和运行效率方面的结果;与 GeoDiff 的论文比较时,其主结果采用的反向采样步数、指标阈值和结构生成数量都不同,数字只能作为各自论文实验条件下的自报结果,不宜拼成排行榜。[1][2]
扭转空间的限制同样明确。若方法固定局部几何,它就不会在扩散过程中更新键长、键角或环构象;如果 RDKit 等工具生成的初始局部结构有误,后续扭转采样的可达结构集受到限制。Torsional Diffusion 论文指出,对灵活环、大环及环融合体系的处理较困难,也讨论了双键异构状态与固定局部构象的边界;其 Boltzmann generator 的采样还以给定局部结构为条件。[2] 这意味着“扭转角空间中的能量分布”不能不加说明地等同于完整分子所有自由度上的平衡分布。
论文还利用 probability-flow ODE 的似然估计构造面向扭转空间的 Boltzmann generator,尝试以模型密度和能量权重进行采样。[2] 这是把几何生成推进到概率权重与能量采样的研究方向,并非仅凭似然就已证明真实溶液中的自由能。评估者仍需关注使用的能量函数、溶剂模型、固定局部结构假设、权重有效样本量以及是否对未见分子外推。
GeoMol:先预测局部几何与扭转,再组装全分子
GeoMol 是非自回归构象集合生成方法,使用分子图上的消息传递和几何信息预测局部结构与扭转角,再在推理阶段组装完整分子。[3] 它并非直接扩散笛卡尔坐标,也不是简单地对一个现成构象做逐键随机旋转。局部预测负责原子邻域几何,扭转角负责片段相对朝向,组装算法再处理分子整体和环闭合等一致性问题。
该模型通过带随机噪声的网络输出多种候选,并以最优传输类目标匹配生成集合与参考集合,鼓励多样性和覆盖。[3] 它在 GEOM-QM9、GEOM-Drugs 上与若干 cheminformatics 和机器学习基线比较,以 coverage、平均最小 RMSD 等结构指标评估,并报告了速度方面的论文结果。与扩散法相比,GeoMol 的生成过程不是长序列的反向扩散采样;但不同实现的预测次数、坐标组装、构象修复与硬件会改变实际成本,比较时仍需统一边界。
GeoMol 论文也报告长程交互、位阻冲突、大环与稀疏大环的建模挑战;环平滑步骤在大型环上可能失败,模型对断开的分子图也有边界。[3] 这些限制提示局部—扭转分解并不会自然解决所有几何约束。环结构和长程作用需要在训练数据、几何表示和推理流程中专门处理,不能因模型输出形式是三维坐标就假定结构已经化学合理。
三类方法的核心差异可概括如下。表中的“可能优势”描述的是建模选择,不是对任何特定数据集的绝对排名。
| 路线 | 主要随机变量 | 主要变化范围 | 关键依赖 | 需要额外核查 |
|---|---|---|---|---|
| GeoDiff | 全原子笛卡尔坐标 | 原子位置联合变化 | 图条件与几何等变网络 | 局部化学有效性、采样步数、优化影响 |
| Torsional Diffusion | 可旋转键的周期角 | 固定局部结构下的片段旋转 | 初始键长键角及环构象 | 固定局部结构偏差、大环、能量权重 |
| GeoMol | 局部几何与扭转角预测 | 预测后组装构象集 | 局部几何、扭转估计与环处理 | 长程作用、位阻和环闭合 |
GEOM:丰富的构象资源,不等于无条件的“真值”
GEOM 数据集为分子性质预测与分子生成提供能量标注构象集合,论文描述其涵盖 QM9 分子和带实验数据的较大分子集合,并利用 CREST、GFN2-xTB 等采样或计算流程构造构象及能量信息;部分 BACE-1 分子还具有更高层级的 DFT 能量或经额外优化的结果。[4] 这些数据支持研究构象覆盖、构象条件下的性质预测与能量相关任务,但不同数据子集的标签来源和精度层级并不完全相同。
因此需要逐条核对:分子来自何种来源,标准化、质子化和去盐规则是什么;构象如何采样、筛选和去重;能量使用何种计算方法、是否包含溶剂;是否为单点能、优化后能量还是自由能近似;统计权重包含了哪些热力学项。GEOM 数据论文讨论了构象采样和能量估计中的近似、计算流程失败与分子结构重建等情况。[4] 不能把某个集合中的能量字段统称为“实验真值”,也不能默认所有分子都被充分采样。
“最低能构象”尤其需要限定。有限采样未必找到了全局最低点;不同计算层级可能改变结构与相对能量顺序;溶剂、温度和质子化状态变化也会改变构象分布。对于 BACE 等特定子集的自由能标注,需按论文注明它使用的溶剂处理、量子化学步骤和保留范围。对其他 GEOM 子集,不能把这类标注条件外推过去。
数据构造质量还决定模型的学习目标。若训练模型去拟合某一采样器生成的构象概率,它可能学到该采样器的偏好,而非真实实验环境的平衡分布;若只用几何参考集合评价覆盖,则对未采到但合理的新构象可能不公平。将数据集视为高质量参照非常有价值,但结论仍应表述为“在该版本、子集、采样与能量定义上表现如何”,而不是泛称“模型恢复了真实构象空间”。
评测需要同时问几何、能量与概率
Coverage 与 Average Minimum RMSD 比较生成集和参考集的几何接近性,分别可反映参考覆盖与生成结构精度。RMSD 阈值、对齐与对称原子处理、每分子样本数和参考集规模都会改变结果,故应连同协议报告。
几何分数不评价能量排序。还需检查立体化学、碰撞、能量相关性和权重计算;若目标是热力学分布,还要说明简并度与溶剂条件。低 RMSD 或小平均能量误差均不能单独证明 Boltzmann 权重与自由能正确。
自由能是集合统计量。从构象能量推断它,需要定义状态空间、温度、环境和权重,并处理采样覆盖与能量误差。真空或隐式溶剂、力场或量子化学层级、质子化状态都可能改变排序;研究应说明能量面与未采样自由度。
几何有效的孤立分子不一定对应蛋白结合、晶体、膜或溶剂环境中的可观测结构。构象生成模型提供结构先验,不等于分子动力学或实验测定,也不能仅凭构象集合推断活性。
GEOM-drugs revisited:基准代码与化学细节都要复核
GEOM-drugs revisited 指出既有评测存在价态定义、键级计算和力场参考不匹配等问题;作者修正预处理,并引入 GFN2-xTB 几何与能量评估,重新评估模型。[5] 这说明基准结果也受数据和评测实现影响。
生成坐标需重建分子图并赋予键级、价态,过程受规范化、原子映射和立体化学处理影响。错误可能造成无效结构被纳入或分子处理不一致;力场与参考层级不匹配也会混淆模型和评测差异。
基准报告应记录数据与代码版本、过滤规则、结构重建失败、原子对齐、有效性判定、优化和能量方法。GEOM-drugs revisited 的结果也限于其处理流程与 GFN2-xTB 评价条件,修正指标需连同协议引用。[5]
如何选择方法:先明确要解决的科学问题
若需探索全原子几何,可研究笛卡尔方法并评估有效性、修复和采样成本;若关注柔性链且局部结构可靠,可评估扭转角扩散,但需检查环、双键与固定几何限制;GeoMol 类方法提供局部—扭转组装路线,仍须测试长程作用和闭环。
用于性质预测时,先确定性质依赖单一构象、集合平均还是 Boltzmann 加权。构象误差、能量误差和回归误差会相互作用,故应分别评估构象集合质量与下游收益。
若目标是自由能或构象概率,需为各状态提供相对权重并评估采样覆盖。似然、几何距离或势能不能单独推出真实热力学权重;应注明计算层级、温度、溶剂和简并度,并评估权重与自由能误差。
小结:把结构质量与热力学主张分开
GeoDiff、Torsional Diffusion 和 GeoMol 分别代表笛卡尔扩散、扭转扩散与局部几何组装;其自报指标依赖数据版本、采样步数、样本数、阈值和后处理。[1][2][3] GEOM 不同子集的计算层级与溶剂条件有别,GEOM-drugs revisited 进一步显示评测处理也会影响比较。[4][5]
报告应说明目标构象、固定自由度、能量来源、溶剂、优化及指标含义。否则,结构生成进步容易被误读成已解决自由能或生物环境结构问题。
参考资料
- Minkai Xu et al., “GeoDiff: A Geometric Diffusion Model for Molecular Conformation Generation,” arXiv:2203.02923 (2022) — 在分子笛卡尔坐标上进行图条件几何扩散的构象生成方法。
- Bowen Jing et al., “Torsional Diffusion for Molecular Conformer Generation,” arXiv:2206.01729 (2022) — 在可旋转键扭转角周期空间进行扩散与能量采样研究。
- Octavian-Eugen Ganea et al., “GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles,” arXiv:2106.07802 (2021) — 预测局部几何和扭转角并组装构象集合。
- Simon Axelrod and Rafael Gómez-Bombarelli, “GEOM, energy-annotated molecular conformations for property prediction and molecular generation,” Scientific Data, 9, 185 (2022) — GEOM 构象与能量注释数据集及其采样和计算方法说明。
- Filipp Nikitin et al., “GEOM-drugs revisited: toward more chemically accurate benchmarks for 3D molecule generation,” Digital Discovery, 4, 3282–3291 (2025) — 复核 GEOM-drugs 评测中的价态、键级、力场和能量基准处理。
读者留言
COMMENTS 暂无还没有留言,来说第一句?