STAMP：面向片段级学习与编辑的拓扑感知分子语言

分子是化学上有意义的单元集合，片段更是天然的设计模块，但让机器既能“学会”片段、又能精确“编辑”片段，一直是分子语言设计的难点。字符串记法方面，CurlySMILES很早就用花括号注释扩展SMILES，为重复出现的子结构或motif提供简写编码^[1]；fragSMILES则针对原子级字符串的局限，通过图约简把片段与其断键信息独立记录，得到化学上更合理、可解释且避免片段冗余的表示^[2]。学习方面，MolFCL在对比学习框架中引入片段-片段相互作用，并以官能团提示学习在微调时注入先验^[3]；另有工作把图片段化的深度生成模型与深度进化学习结合，用于大规模多目标分子优化^[4]。但表示学习与结构编辑长期是两条平行线，既有分子语言很少显式写出片段所处的位置与连接方式，学到的片段知识难以直接转化为可执行的编辑。

这篇未经同行评议的arXiv预印本提出STAMP（Sequential Tree Attachment-based Motif-Preserving representation），一种拓扑感知的分子语言，把motif身份、连接位点与树状拓扑分开编码，使片段可跨上下文复用、子树可被直接访问。学到的表示能捕捉motif相似性与反复出现的化学转化，在30个靶点的活性悬崖预测中有23个靶点误差低于匹配的SMILES编码器；其兼容的子树操作支持保骨架优化，在23个基准目标中有15个在六种方法里排名第一。配套的确定性编译器还让冻结的语言模型能直接操作带索引的片段，在分子编辑、优化、转化迁移和变更识别上较纯SMILES提升9到56个百分点。

这一步的推进在于打通了“学”与“改”：此前片段化多服务于表示或生成——fragSMILES重在提供化学上更合理的字符串记法^[2]，MolFCL与图片段进化优化则把片段当作性质预测和分子搜索的单元^[3][4]——STAMP则让学到的化学单元在设计过程中保持可直接操作，构成一种可执行的分子语言。类似方向近期相当活跃：2026年8月的片段感知图Transformer工作BiScale-GTR同样主张片段级表示便于捕捉重复出现的分子子结构并复用其学习表示^[5]，2026年发表的统一图学习框架也将拓扑感知结构编码与motif引导的语义学习纳入同一体系^[6]；STAMP给出的路径是用确定性编译器把表示直接接到编辑操作上，连冻结的语言模型也能执行结构修改。

当然，这仍是未经同行评议的预印本，各项数字均来自作者报告的基准实验；其在真实药物设计管线中的表现，以及片段划分与编辑操作能否兼顾合成可及性等现实约束，摘要尚未交代，有待同行评议与独立验证。