Genmol
定义
GenMol 是一个面向分子设计的生成式人工智能框架,全称为通用分子生成模型(Generalist Molecular generative model),由英伟达(NVIDIA)的研究人员提出[2][3]。它的处理对象不是原子逐个拼接的常规 SMILES 字符串,而是以片段为单位的 SAFE 序列,模型本身是一个在离散词元上工作的掩码扩散模型[4][5]。
同一套权重即可用于从头生成、片段约束生成、连接子设计、基序延伸、骨架修饰、超结构生成、目标导向的命中生成与先导化合物优化,无需为每个任务单独微调[6][7]。这一“通用”定位是其与其他分子生成模型相区别的主要特征[8]。
原理
模型的输入输出都以 SAFE(Sequential Attachment-based Fragment Embedding)格式表达。该格式先按 BRICS 规则把分子切分为若干片段,再用连接符按原连接位点把片段串接成一条序列;片段在序列中的先后顺序不影响分子身份,因此 SAFE 对片段排列具有置换不变性[4]。这样,分子设计便被转化为序列补全问题,指定哪些片段保持不变、哪些位置需要生成即可表达各类约束[8]。
生成过程是一个反复“掩码—解掩码”的迭代。序列中待生成的部分以掩码词元表示,模型骨干为基于 BERT 的双向 Transformer,每次前向传播会同时给出所有掩码位置的概率分布,但只采纳其中概率最高的一小部分词元,如此循环直到所有掩码位置被填满[8][7]。由于采用非自回归的并行解码,模型不必依赖某个固定的词元生成次序,采样效率也高于顺序生成[4]。
在此之上有两项专门设计。其一是片段重掩码:优化分子时把选定片段重新替换为掩码再生成,以片段为单位在化学空间中搜索邻近结构[1]。其二是分子上下文引导(molecular context guidance, MCG),它把同一模型在完整输入与额外加噪输入下的预测对数作加权比较,按 $\log z^{(w)} = w \log z(\mathbf{z}_t,t) + (1-w)\log z(\tilde{\mathbf{z}}_t,t)$ 校准输出,使给定的分子上下文得到更充分的利用[6]。
发展历程
相关论文于 2025 年 1 月 10 日提交至 arXiv 预印本平台,标题为《GenMol: A Drug Discovery Generalist with Discrete Diffusion》,作者包括 Seul Lee、Karsten Kreis、Srimukh Veccham、Meng Liu、Danny Reidenbach、Yuxing Peng、Saee Paliwal、Weili Nie 与 Arash Vahdat[1][2]。该工作随后被 ICML 2025 接收[9]。
论文报告的训练配置为 8 块 NVIDIA A100 显卡、约 5 小时,训练数据由 ZINC 与 UniChem 分子构成的 SAFE 数据集整合而来[10][6]。2025 年 7 月 22 日,源代码在英伟达的公开仓库发布[7]。
2025 年 10 月 15 日,团队发布 GenMol V2,改用扩展版 SAFE 语法,以尖括号标记片段之间的连接位点,使片段内与片段间的连接点可以区分,从而改善单步连接子设计等任务的表现[10]。据其仓库公布的对照数据,V2 在从头生成上的质量指标由 84.6% 提高至 89.7%,但在命中生成与先导化合物优化上略逊于 V1,原因在于这两类任务仅改动序列的局部,难以从新语法中获益[10]。
英伟达同时把该模型封装为推理微服务提供,公开的 GenMol v2.0 版本参数量为 8900 万,输入长度上限为 512 个词元[5]。
应用
在从头生成场景中,模型从随机序列出发采样指定长度的有效分子,评测通常关注有效性、唯一性、多样性与质量四项指标,其中质量被定义为同时满足类药性与可合成性要求的分子所占比例[6]。据发布方给出的基准,GenMol 在从头生成上的有效性为 100.0%、唯一性为 99.7%、质量为 84.6%[10]。
在片段约束生成中,使用者可以固定若干片段并指定其连接位点,让模型补齐其余部分,涵盖连接子设计、基序延伸、骨架修饰与超结构生成等形式[8]。目标导向任务则与外部打分函数配合使用:命中生成以类药性、合成可及性等指标筛选候选分子,先导化合物优化从既有先导物出发,在保持相似性的前提下改善目标性质[7]。
与其他模型的对照显示,GenMol 在片段约束生成任务的质量分数上优于基于 SAFE 的自回归模型 SAFE-GPT,采样速度最多快约 35%,并在目标导向的先导化合物优化上超过 f-RAG 与 REINVENT 等模型[11]。这些比较由模型发布方完成,所用基线是多个任务专用模型的结果[4]。
局限
模型处理的是二维分子图对应的 SAFE 字符串,不直接产生三维构象,涉及需要三维结构的对接任务时须另行后处理;它也不建模靶蛋白口袋的三维信息,因而难以直接用于结构导向的药物设计[12]。片段切分依赖预设的 BRICS 规则,这类规则可能漏掉某些有化学意义的子结构[13]。
MCG 的引导强度 $w$ 与额外掩码比例 $\gamma$ 需按任务调试,缺少通用取值[13]。先导化合物优化中对结合亲和力的评估依赖对接分数,其精度在真实研发场景中可能不足[12]。
按发布方公布的数据,标准版在单步连接子设计上的有效性仅 16.7%,明显低于两步法;这一短板是 V2 改用扩展 SAFE 语法的直接动因[10]。此外,模型的生成能力受训练数据中出现的分子类型与化学空间范围限制,数据覆盖不到的骨架缺少依据[6]。
参见
参考资料
- GenMol: A Drug Discovery Generalist with Discrete Diffusion [引用日期2026-10-29]
- GenMol: A Drug Discovery Generalist with Discrete Diffusion [引用日期2026-10-29]
- nvidia.com 上的网页 [引用日期2026-10-29]
- GenMol: A Drug Discovery Generalist with Discrete Diffusion [引用日期2026-10-29]
- nvidia / genmol [引用日期2026-10-29]
- lee25o(PDF) [引用日期2026-10-29]
- nvidia/NV-GenMol-89M-v2 · Hugging Face [引用日期2026-10-29]
- 概述 — NVIDIA NIM for GenMol [引用日期2026-10-29]
- GenMol: A Drug Discovery Generalist with Discrete Diffusion [引用日期2026-10-29]
- README [引用日期2026-10-29]
- nvidia.com 上的网页 [引用日期2026-10-29]
- genmol_a_drug_discovery_generalist_with_discrete_diffusion [引用日期2026-10-29]
- papernotes.org 上的网页 [引用日期2026-10-29]