OctMole：基于分层空间流的多尺度 3D 分子生成

三维分子生成需要联合确定数目可变的原子、元素种类与几何构型，而全局形状与局部成键对分辨率的要求相差悬殊。近年来的主流进展多沿扩散模型展开：DiffBP认为逐原子自回归生成违背真实分子中原子间全局耦合的物理，改以等变网络在全原子水平非自回归地联合去噪元素类型与坐标^[1]；GCDM用几何完备网络解决了与几何无关的GNN学不好三维几何、难以生成有效大分子的问题，在GEOM-Drugs尺度上占优^[2]；PMDM则以局部与全局分子动力学的双重扩散兼顾不同范围的结构^[3]。逐原子自回归的可扩展路线（如Quetzal）^[6]与流匹配路线（如开源的FlowMol3）^[7]也各有推进，但OctMole点出的瓶颈依旧：基于原子的扩散与流模型大体在单一尺度上工作，而稠密三维场在高分辨率下代价高昂。

OctMole给出的方案是多尺度八叉树流。八叉树层级表示在通用三维形状生成中已有脉络，如OctGPT以多尺度八叉树自回归模型大幅提升效率^[8]；OctMole将其带入分子生成：一个层级占用流由粗到细解析稀疏的分子支撑区域，一个联合原子流在已占用的叶子单元中赋予原子类型与单元内连续偏移，前者负责高效的全局结构，后者提供亚单元级几何精度，对单元加噪则增强对生成支撑的鲁棒性。在QM9与GEOM-DRUG上，该模型取得良好的化学、分布与几何质量，在GEOM-DRUG上对Uni-3DAR（一个以自回归预测统一三维生成与理解的框架）^[9]优势尤为明显，并相对稠密3D生成获得可观的效率提升，代码与预训练权重已开源。

就推进而言，这项工作把“先定空间支撑、再放原子”的分解嵌入流框架，令全局效率与局部精度得以解耦；更有意思的是，中间占用态与指定区域可直接充当空间条件，无需任务特定重训练即可实现多尺度形状条件生成、区域编辑、连接子生成与形状插值。这呼应了DiffSBDD以单一预训练扩散模型免重训练地覆盖性质优化、负向设计与补全式部分分子设计^[4]，以及SILVR在不重训练条件下以片段引导已有扩散模型^[5]的思路，但把免重训练的条件化从蛋白质口袋与片段延伸到了显式的多尺度空间区域。

需要留意的是，这是一篇未经同行评议的arXiv预印本，摘要中也未给出化学有效性等具体数值；模型能否推广到DiffBP与PMDM所针对的蛋白质口袋条件生成^[1][3]，材料未见交代，八叉树离散化对精细构象的刻画如何，仍有待更多实验与同行检验。