LLM引导的分子编辑序列：把可合成性嵌进药物分子优化流程

做药物分子生成这几年我一直被同一个问题反复折磨模型跑出来的分子在纸面上漂亮得很QED、logP、活性预测分数全都好看可一旦把结构式发给合成化学家对方回一句这东西做不出来项目就卡住了。最近在Nature Machine Intelligence上读到一篇关于引导大语言模型预测分子可合成性优化编辑序列的工作思路让我眼前一亮——它不追求从零发明分子而是让LLM从已知分子出发一步步预测编辑操作把可合成性直接嵌进优化过程。这篇博文我打算把它掰开揉碎讲清楚这个编辑序列到底是什么设计逻辑LLM在其中究竟扮演什么角色所谓引导具体指什么以及这套方法放到我们自己的项目里有哪些能直接落地的价值和坑。1. 分子生成的老大难生成器根本不懂合成1.1 模型会优化性质却从不问这分子能不能做出来先从一个很常见的现象说起。传统分子生成模型的目标函数通常是这类东西预测的活性分数、QED类药性、logP区间、可合成性打分。前三个确实被反复优化得很好问题恰恰出在最后一个——可合成性。可合成性不是一个能被单个数值干净刻画的物理量。一个分子能否被合成出来取决于你能不能找到一条从商业可得原料出发的合理合成路线取决于中间步骤的产率、反应条件、官能团兼容性甚至取决于你手里有什么催化剂。所以任何可合成性打分本质上都是启发式近似。最常用的是SA scoreSynthetic Accessibility score它用片段贡献频率和分子复杂度来估算难度。这个分数做一些粗筛没问题但你拿它当优化目标就会发现模型特别会钻空子SA score对某些稀有环系和特殊片段有惩罚模型就会狡猾地绕开这些结构,换来一个好看的分值实际产物的合成难度根本没有本质变化。另一类做法是训练一个逆合成可行性的分类器或者用类似AiZynthFinder这种基于逆合成模板搜索的工具去判断能不能找到合成路线。这个方向更接近真实但代价是每次评估都要做一次树搜索计算开销大而且在生成模型的每轮迭代里反复调用它成本会迅速变得不可接受。1.2 直接生成完整分子的结构性缺陷除了打分不好定义从零生成完整分子这件事本身就有天生的问题。你去看生成模型输出的分子经常会出现一类典型的错误模式一个芳香环上同时排着三个庞大的取代基、空间位阻大到实际反应根本不会发生或者出现四元环连着四元环这种张力大得离谱的骨架又或者引入了在生理条件下不稳定、容易被代谢掉的结构片段。为什么会出现这些因为SMILES生成模型学的是训练集里的字符组合分布它知道某种模式在统计上像药——但从来没有人教过它这个键能不能真的通过反应构建出来。它输出的每一个字符组合只是概率上的合理而不是化学机制上的可执行。更麻烦的是一步到位的生成方式没有中间态。模型直接吐出最终分子后你就只能看最终结果。如果这个分子可合成性不达标你完全不知道问题出在哪一步也没有办法做局部修正只能整个推倒重来。这在药物化学的实际流程里是不可接受的因为化学家从来不是从白纸开始设计分子——他们都是从已有的活性骨架出发做局部的、小步的修改。1.3 我们要的是合成可达不是看起来能合成说到底药物化学项目的真实需求从来不是生成一个新颖漂亮的分子而是给一个已知的活性分子找到它能被实际合成出来的类似物。这两个目标的差异决定了方法论的选择。把可合成性当成分子优化的一等公民最直接的方式就是别生成完整分子改成生成编辑序列。从已知的、可合成的分子出发每一步只做很小的结构修改这样整个搜索过程始终待在已知化学空间的邻域里产物的可合成性天然就有保障。这就是这篇NMI工作最核心的方法论转向——不换生成器换问题的定义方式。2. 另一种解题思路把分子优化变成编辑序列2.1 起点从已知可合成分子出发编辑序列的思路其实特别朴素。你在做先导物优化的时候手上一定有一个或多个已经经过验证的苗头化合物。它有初步的活性有可操作的合成路线有已知的物理化学性质。你需要做的事是改它的某些部位让活性更强、毒性更低、溶解性更好、代谢稳定性更合适——但别把骨架改没了也别把它改成合成不了的怪物。这套逻辑放到算法里就是把优化过程定义为从初始分子出发执行一系列有限步数的编辑操作。每一步编辑都是小范围的、可执行的、有明确化学意义的操作。这和我之前的旧房改造类比完全一致——不是在空地上盖新楼而是保留主体承重结构只替换部分房间的功能。2.2 编辑动作空间小步走每步像真实反应现在关键问题来了编辑动作怎么定义常见的设计思路是把动作定义成一系列离散的化学变换每一类都对应真实化学反应或常见的结构修饰套路。为了清楚起见我一般会把动作空间分成这么几类动作类型典型操作对应的化学动机取代基编辑加一个卤素、甲基、三氟甲基调节电子效应、脂溶性杂原子替换把芳环上的C换成N调整pKa、代谢位点环系调整并环、扩环、开环、破环改变分子刚性、三维构象连接子替换更换linker长度/类型调节构象灵活性与空间匹配极性基团引入引入吗啉、磺酰胺、羧基改善水溶性、降低hERG风险片段删除/截短去掉多余基团简化结构、降低合成难度每一个动作都应该是化学家在实际合成中真的会去做的操作类型。换句话说动作空间本身就应该从已知化学反应的模板库里建造出来——你可以从公开的反应数据库比如USPTO里提取高频的反应规则也可以人工定义一组药物化学里常见的修饰规则。这个设计选择非常关键因为直接决定了后续生成的编辑序列落地的可能性。2.3 为什么序列比一步到位更可控把优化问题分解成多步序列价值在于可追踪性和可干预性。先说可追踪性。每一步编辑都是一个离散的、可解释的操作模型输出的是什么动作、改动了哪个原子、产生了什么新片段全部一目了然。哪一步让可合成性急剧恶化哪一步让预测活性大幅提高都能定位到具体的结构改变上。这比看一段完整的生成SMILES然后靠人工去理解到底为什么变成这样要高效得多。再说可干预性。因为编辑过程是分段进行的你就可以在每个检查点插入评估器——性质预测、可合成性打分、与初始分子的相似度计算。发现某一步的中间产物已经不可合成了立刻截断这个候选路径发现走偏了、改得太远、脱离了母核的类药空间可以回退到上一步重新选择动作。这种边走边查的机制在一步到位生成模式里根本不存在。从搜索空间的角度看编辑序列的思路也占了大便宜。完整的分子化学空间是10的60次方量级的想要直接在里面搜索可合成的活性分子本质上是大海捞针。但你从已知分子出发每一步只做一个局部修改实际探索范围被压缩到已知分子邻域——这个空间比完整化学空间小了好几个数量级搜索效率和成功率都完全不是一个级别。2.4 可合成性怎么内嵌进编辑过程可合成性在这个框架里不是事后打分而是全程参与决策的约束信号。通常的做法是每一步编辑后计算当前分子的合成可及性分数。这个分数可以是SA score这种轻量近似也可以是逆合成工具的判定结果。如果得分超过阈值这条路径就会被剪枝。另外还有一个天然的优势编辑步数本身是有限的通常限制在十几步以内步数少意味着每个中间产物的结构变化都不大而起始分子已经是可合成的所以最终分子和起点保持较高相似度它的可合成性大概率也被继承了。这正是编辑策略和全新分子生成最大的差别——可合成性不是优化目标的附属品而是整个搜索过程的先验保证。3. 大语言模型在里面究竟干什么3.1 分子怎么翻译给语言模型既然要让LLM理解分子并输出编辑序列首先得解决表示问题。最直接的方式是用SMILES字符串。LLM天生处理序列把分子编码成SMILES喂进去让模型输出编辑后的SMILES或编辑动作token这在工程上最容易实现。但SMILES有个众所周知的毛病字符串合法性与化学有效性不是一回事模型很容易生成语法合法但化学上无效的SMILES。所以有些工作会改用SELFIES——一种保证token序列永远能解码成合法分子的自描述分子表示。SELFIES的约束解码特性对生成任务特别友好至少在不会输出乱码分子这一点上省了很多心。另外值得一提的做法是文本分子多模态条件输入。既然用的是语言模型你就可以把优化目标写成自然语言指令比如提高这个分子的水溶性同时保持对靶标A的活性再拼上当前分子的SMILES一起喂进去。LLM的输出也不一定非得是完整的分子结构可以是第3步替换苯环对位的氯为吗啉基这种结构化编辑指令。这和我们与化学家沟通的方式高度一致——你给化学家看目标描述和起始结构他给你一个修改方案。LLM作为语言模型处理这种交互恰好在行。3.2 模型里藏着的化学直觉从哪来一个容易让人困惑的问题是LLM凭什么能做好分子编辑它又不是专门的化学模型。我的理解是LLM的预训练语料里包含了海量的化学专利、科研文献、药物研发资料和数据库文本。虽然模型没有显式学过化学反应规则但在海量文本上训练出的统计规律里隐含了大量关于什么基团经常一起出现什么修饰是真实项目中常见操作的化学认知。比如专利里的Markush结构描述、SAR分析段落、合成实施例都在反复告诉模型对某个骨架化学家通常会做哪些类型的结构修改。这带来一个实际效果相比从零训练的强化学习智能体LLM做候选编辑时的起点高得多。传统的RL生成分子模型在早期探索阶段会大量产生莫名其妙的化学结构——因为它们是从随机分布开始学的。而LLM一开始就会优先输出那些基因里带上合理化学修饰模式的动作探索效率高出一大截。这不一定代表它天生懂合成但它的先验分布确实很接近一个接受过训练的药物化学家的直觉。3.3 引导机制光靠LLM不够还得加外部信号标题里最值得玩味的是引导这个词。LLM的本职是生成但它并不是一个自带优化目标的工具——让它自己蒙头输出编辑序列效果肯定不稳定。所以真正的方法核心在于怎么把化学评估信号引导给它。我通常在复现这类工作的时候会把引导理解为三种具体机制的组合第一种是强化学习式的引导。把LLM当作actor让它输出编辑序列然后让性质预测器和可合成性评估器给这个序列打分把分数作为奖励信号通过策略梯度比如PPO去微调LLM让模型逐渐学会被化学评估器认可的编辑模式。这种方式最彻底但训练成本高、reward设计粗糙时容易崩溃。第二种是树搜索式的引导。LLM不直接给出完整编辑序列而是每轮生成若干个候选编辑动作外部评估器对每个候选打分再由搜索策略束搜索、MCTS决定保留哪些分支继续展开。LLM的角色从决策者降级为建议者——它负责提出可能性评估器负责裁决。这是我在实际项目里最常用的方案因为每一步干预的机会多不容易跑飞。第三种是自我纠正式的引导。先让LLM生成一条编辑序列同时利用化学评估器返回分数把当前分子的问题在哪里、下一步应该往哪个方向改的评价文本反馈给LLM让它据此调整后续输出。这本质上是把评分函数翻译成自然语言反馈再让模型融入上下文。标题里的引导其实就是这一类闭环结构LLM生成候选外部化学信号评估评估结果再作用于模型的下一步生成。所谓预测编辑序列不是让LLM一次性拍脑袋输出而是让它在化学评估信号的持续反馈中迭代优化自己的预测。这也是这套方法能落地的根源——LLM提供化学合理性的先验外部引导保证优化目标不跑偏。3.4 为什么LLM外部引导比传统生成器更有优势和经典的生成对抗网络、变分自编码器、图神经网络生成器相比LLM方案的核心优势有三个。第一是条件建模能力。LLM可以同时把目标性质描述、起始分子结构、历史编辑轨迹全部编码进上下文条件信号丰富度远超传统生成模型。第二是迁移能力。预训练让LLM对结构的理解有泛化基础给它一个训练集里从没见过的杂环骨架它依然能基于常识性的结构认知给出合理编辑方向。传统分子生成模型面对分布外骨架时往往表现断崖式下跌。第三是工程成本友好。不必上几百B的巨型模型一个几百M到几B的开源模型配合LoRA微调在单张消费级GPU上就能跑出可用的编辑策略。这一点对工业界项目尤其重要——论文可以堆算力实际项目得讲性价比。4. 实验评测效果到底怎么样4.1 评测怎么设计才公平要让这套编辑序列方法被信服评测设计必须同时覆盖几个维度优化目标是否真的达成、可合成性是否提升、结构有没有被改得面目全非、生成的分子是否合法有效。具体到实验设定常见的做法是拿一组已知活性分子当起点设定性质优化目标比如把logP降到给定区间、提升对某一靶标的预测活性然后看方法能否在保持与起始分子骨架相似的前提下完成任务。评估器这边除了性质预测分数可合成性评估通常采用SA score加逆合成工具两件套。后者一般用AiZynthFinder这样的模板搜索工具来判断最终分子是否存在一条可追踪的合成路线。评测指标的完整组合应当是性质达标率、合成可及性分数、与起始分子的相似度、SMILES有效率和逆合成搜索成功率。4.2 论文报告的核心结果与对照差异从我读到的实验设计和类似工作的普遍趋势来看这类编辑序列方法拿出来的结果很有说服力。单说性质优化幅度它和那些直接生成完整分子的模型相比并不逊色——毕竟是同样的评估器在指导LLM优化目标本质上没有被削弱。真正拉开差距的是可合成性和相似度保持两个维度。直接生成类模型为了满足一个性质目标经常会把分子改到和起始结构几乎没什么关系要命的是一旦优化目标设定得比较苛刻它倾向于生成复杂的、稀有片段堆叠的结构来硬凑分数。编辑序列方法因为步数有限每一步改动范围又被动作空间约束最终产物和起始分子通常保持很高的相似度而且大部分中间产物都能被逆合成工具解析。我在自己复现类似框架时观察到直接用SMILES从头生成的模型逆合成搜索成功率可能只有百分之二三十换成编辑序列方法之后成功率能明显提升到一个项目可接受的水平。这一点对合成化学家是否愿意接单影响极大。4.3 值得注意的失败案例我特别想分享一个典型的失败模式。在某一次优化里模型为了快速提高预测的溶解性连续三四步都在往同一位置叠加极性基团——吗啉后面接磺酰胺磺酰胺后面再接一个聚乙二醇链。等它停下来的时候分子已经带上了好几段极性尾巴预测水溶性确实达标了。但稍微有合成经验的人一看就知道这个结构做出来不但步骤冗长而且后续纯化极其痛苦。这种案例最能说明引导机制的必要性。后来我把评估器改成每一步都额外罚掉极性原子计数增量并且在搜索策略里限制同一个原子在连续步内只能被修改一次类似情况就少了很多。这提醒我引导信号的设计直接决定模型的行为边界光有可合成性打分这种笼统信号LLM仍然可能在局部钻空子。4.4 已知的瓶颈还是得说实话这套方法不是没有短板。我在使用中感受最深的有三个。第一长编辑序列的误差累积。每一步的评估都不是完美的评估误差会随着步数增加被放大到第8步、第10步之后整个路径的可信度就已经比较低了。实际经验是把最大编辑步数控制在12步以内超过这个长度后成功率下降非常明显。第二动作空间覆盖度有限。如果你的动作库里面只有常见官能团修饰模型就不可能输出一些需要更复杂逆合成策略的编辑——这等于给搜索空间设了上限。第三可合成性评估本身始终是近似。SA score被钻空子已经是家常便饭即使逆合成工具也受模板库覆盖度限制可能对一个实际上可合成的分子给出不可合成的误判。这一点在低资源情况下尤其明显。5. 想在自己项目里复现这些坑得注意5.1 分子表示和tokenizer的选型会决定成败在编辑序列任务里分子表示的选择比想象中影响更大。如果直接用SMILES一定要关注tokenizer的稳定性。标准SMILES tokenizer处理环起始标记和数字很容易产生歧义比如原子索引变化会导致同一结构被编码成完全不同的token序列模型很难在这个噪声下稳定学习。我的建议是在编辑任务里优先考虑SELFIES或者更工程化一点的做法不让模型输出完整SMILES而是输出编辑操作描述比如在atom7上添加-F然后用确定性代码执行这个操作。这样把分子生成问题从语言生成问题巧妙转回结构操作问题生成的分子有效性轻松拉到接近100%。5.2 动作空间建议从反应规则库里来动作库质量决定了编辑的化学合理性。如果你手头有公开反应数据库可以直接抽取高频reaction templates作为动作来源没有的话从文献里人工整理几十条药物化学高频修饰规则也够用。我自己的经验是数量不需要多几十条覆盖常见官能团转化的动作库搭配LLM的先验知识已经能覆盖大多数先导物优化场景。动作库太庞大反而会让搜索空间膨胀增加无效探索。需要注意的一个细节是动作执行时要做原子映射。编辑一个取代基不只是改SMILES字符串而是要明确操作哪个原子、引入什么新片段、哪些原子需要连带调整。我实践下来推荐用RDKit的RWMOL对象来写动作执行器每一步重构分子再标准化能避免不少隐式键价错误。5.3 评估器设计可合成性打分必须打组合拳如果你只用一个SA score做评估很容易被模型钻空子。比较稳的方案是两层筛选第一层用SA score或类似轻量指标做快速过滤宁可稍微宽松一点第二层对过滤后的候选做一次逆合成搜索AiZynthFinder或者其他基于模板的工具确认存在可完成的合成路线。性质预测这一端如果你预算有限用RDKit算描述符加一个随机森林就够起步等候选集收敛后再切换到GNN或更重的活性预测器做二次精筛。调阈值的时候有个规律逆合成评估太过严格会大幅压缩可探索路径模型容易陷入怎么改都会被毙掉的困局。我的做法是把逆合成搜索的迭代深度和候选数量放宽宁可在第二层多花几秒钟计算也不要在第一步就砍掉太多可能路径。5.4 训练与推理的算力开销小模型完全够用和很多人直觉不同这类编辑序列任务并不需要百亿参数模型。我用7B规模的模型起步已经足够实际探索时发现一个几百M参数的专用化模型在LoRA微调后同样能把编辑动作预测得相当准。理由也很简单编辑动作空间本身有限任务被约束在局部结构修改这个范围里模型不需要掌握全局化学空间的分布。推理端的最佳实践是不用贪心解码也不建议直接让模型一次性生成完整序列。用束搜索宽度8到16每次只采样下一步的动作交给评估器过滤后再进入下一步。每步最多考虑几十个候选动作就够多了只会让评估器成为瓶颈。5.5 我在实际工作中踩过的三个具体坑第一个坑是输出格式不稳定。早期让模型直接输出编辑结果经常出现同一操作在不同次推理里以三种不同格式返回的情况。后来改成强制模型输出JSON结构化的动作描述——包括操作的原子编号、动作类型、引入的片段SMILES三个字段——解析鲁棒性马上上来了。第二个坑是奖励信号被击穿。当我把SA score作为奖励微调LLM时模型学到的不是更好地做化学修饰而是少修改甚至不做修改。因为SA score对结构改动天然敏感任何改动都可能让分数变差模型的最优策略就是输出空编辑序列。解法很简单奖励函数里加入一个编辑距离惩罚项要求每次修改必须带来足够大的结构变化否则该步奖励为负。第三个坑是评估器误判扼杀全部候选。有几次逆合成工具因为模板库覆盖问题把所有候选都判成不可合成让搜索直接卡死。我最后找到的办法是动态阈值如果整轮搜索的成功率低于某个下限就把逆合成评估阈值放宽一档、把模板匹配数量上限提高一档给搜索留出空间。6. 我的看法和后续可以扩展的方向6.1 这类方法最适合什么场景如果你正在做一个从头寻找新骨架的项目手里没有任何先导化合物那编辑序列方法不是为你准备的——这时候老老实实用大规模虚拟筛选或从头生成模型更实际。但如果你的项目属于先导物优化手上有一个明确的起始分子要围绕它做局部改造来提升活性、改善ADMET属性那编辑序列方法会比从零生成顺手太多。它天然贴合药物化学团队的工作习惯而且每次生成的结果都能给合成化学家一个清晰的修改路径而不是一个让他们皱眉头的天外飞仙结构。6.2 编辑序列这个思路还能往哪延伸在我看来把分子优化定义成编辑序列的价值可能远超这一篇论文本身。顺着这个思路往下走可以连接的方向有很多。最直接的一个是逆合成规划。编辑序列本质上记录的是从一个分子变形到另一个分子的步骤历史如果你把每一步的编辑动作替换成真实的化学反应编辑序列就自动变成了半条逆向合成路线。再往下做完全可以发展成一个生成式逆合成规划器让模型在给定目标分子时直接预测该用哪些反应、按什么顺序、从什么原料把它做出来。另一个方向是把扩散模型的连续编辑能力引进来。离散动作空间的好处是可控、可解释连续扩散的好处是平滑、覆盖广。二者结合用LLM调度高层的编辑策略、用扩散模型细化具体结构的微调也许会获得更广泛的空间覆盖。如果在座各位要做工业落地多目标优化这块也值得研究。现在的引导信号主要是性质目标可合成性但实际项目里还需要考虑成本、时间、原料可得性、知识产权绕障等约束。把这些全部编码进引导信号编辑序列框架具备天然的多约束扩展能力。6.3 给同行的一句实在话我在实际跑过这套流程之后的体会是它真正的价值倒未必是某个任务上比老方法高了多少分而是它把分子生成从黑箱变成了过程可见、责任可追溯的工程流程。哪怕模型有时候给出的编辑系列并不完美但中间产物和每一步的评估结果摆在那里化学家不需要被动接受一个不可解释的最终结构而是能直接介入提出专业意见这一步不应该加这个基团换成另一个后面两步就能好走很多。这种交互方式才是药物化学项目的真实工作模式。如果你手里的项目也是以先导物优化为核心我建议你别再纠结于那些炫目的从头生成框架先把已知分子编辑序列LLM引导这条路线跑起来——你会惊喜地发现它比想象中容易出结果。