基于潜在流匹配的分子图生成

深度生成模型已成为 de novo 分子设计的主流工具，架构上大体沿 SMILES 字符串与分子图两条路线展开 ^[2]。直接在离散图空间中逐步生成原子和键的图生成模型，虽然在有效输出率等指标上优于 SMILES 模型，但长期被认为过于通用、计算开销大，分子变大时代价随之攀升 ^[1]；为绕开这一瓶颈，另一些工作转向先用变分自编码器学习分子潜表示、再在约束条件下生成分子 ^[3]，而条件化、多目标生成通常与训练时的目标绑定——早期 DrugEx 版本便因在固定目标下训练、无法接收先验信息而需要重新设计 ^[4]。

这篇未经同行评议的 arXiv 预印本把生成过程整体搬进潜空间：作者先用一个重建保真度很高的预训练 VAE 编码整张分子图，再用 flow matching 在整图潜表示上建模生成，只在最后一步才解码回图。在一系列规模递增的分子基准上，该方法取得了很强的有效性与 FCD 表现，与最先进的显式图生成模型相比提供了有利的质量—效率折中。更关键的是，图的潜表示只需学习一次，之后无需重训即可复用于多个生成目标；作者据此演示了面向分子性质的引导生成，并通过直接在潜空间中学习的分类器实现了有效性感知生成。

相对已有认识，这项工作的推进在于把表示学习与生成目标解耦：显式图生成模型每换一个目标往往要重训整套生成器，而这里 VAE 定型之后，多个生成目标共享同一套表示。从更大的图景看，潜空间流匹配的思路此前已在图像生成领域确立，LFM 框架将流匹配扩展到感知对齐的潜空间 ^[5]；在分子方向上，2026 年发表的 VFMol 同样把 VAE 与流匹配深度整合，但选择在离散状态空间中做逐步采样 ^[6]，与本文让流匹配始终停留在潜表示层面、末步才解码的路线形成对照。相邻的化学反应轨迹驱动工作中，主要计算成本也仅在最后一步发生一次 ^[7]，显示“只在末端付代价”正成为这类框架的共同取向。

当然，该结果目前只是预印本，代码也声明录用后才公开；生成质量依赖 VAE 的重建保真度，潜空间自身的偏差会如何传导到产物尚待检验，且化学有效性并非模型内生保证，仍需额外分类器加以引导。这些优势在更大分子规模、更广化学空间内是否依然成立，摘要中并未给出证据。