J. Med. Chem. | 面向药物研发的分子表征学习

文献信息

• • 标题：Learning Molecular Representations for Medicinal Chemistry
• • 作者：Kangway V. Chuang, Laura M. Gunsalus, Michael J. Keiser*
• • 期刊：Journal of Medicinal Chemistry, 2020, 63, 8705–8722
• • 机构：加州大学旧金山分校（UCSF）
• • DOI：10.1021/acs.jmedchem.0c00385

一、写在前面：为什么分子表示是核心问题？

在药物发现的计算流程中，有一个常常被忽略、却至关重要的环节——如何将分子"翻译"成计算机可以学习的语言。这个过程，就是分子表示（Molecular Representation）。

无论是经典的 QSAR 建模、虚拟筛选，还是近年火热的 AI 辅助药物设计，所有的预测性能最终都高度依赖于分子表示的质量。一个糟糕的表示，再强大的模型也无从施展；而一个优秀的表示，甚至可以让简单的线性模型取得令人惊讶的效果。

本文是 2020 年发表于 J. Med. Chem. 的一篇 Miniperspective，由 UCSF Keiser 实验室撰写，系统综述了从传统分子描述符到深度学习表示的演进历程，并对多个关键方向进行了深入的批判性分析。时至今日，这篇文章仍是进入"分子机器学习"领域最值得精读的入门综述之一。

二、什么是分子表示，为什么选择它如此关键？

2.1 表示与学习的关系

作者借助一个经典的机器学习思想实验来说明表示的作用（对应原文 Figure 2）：

• • 在笛卡尔坐标系下，红蓝两类数据点以同心圆形式分布，线性不可分；
• • 将其转换为极坐标后，两类数据立即变得线性可分；
• • 神经网络的本质，正是自动学习这种坐标变换——在其内部隐层空间中，自动构造出有利于分类或回归任务的新表示。

这一类比精准地揭示了为什么"特征学习（Feature Learning）"比"特征工程（Feature Engineering）"更具潜力：它不依赖人类专家事先定义哪些特征重要，而是让数据自己说话。

2.2 分子表示面临的独特挑战

分子数据具有以下几个令通用机器学习方法"水土不服"的特性：

最后一点尤为重要：作者明确指出，药物发现从根本上违背了机器学习的 i.i.d. 假设。真正有价值的模型，必须能泛化到训练集之外的化学空间——这对传统机器学习和深度学习都是严峻挑战。

三、分子表示的历史演进

3.1 字符串表示：存储驱动的起点

最早的分子表示方案以信息存储与检索为首要目标：

• • SMILES（1988）：Simplified Molecular Input Line Entry System，将分子图序列化为字符串，如阿托伐他汀（Lipitor）表示为 CC(C)c1c(...)。紧凑、可读、被广泛采用，是至今最主流的分子线性表示。
• • InChI（IUPAC）：国际化学标识符，更强调标准化和唯一性，适合数据库索引。

这些表示是为人类和数据库设计的，并非为机器学习量身定制，后续在深度学习中的应用引入了诸多工程挑战。

3.2 分子指纹：为相似性分析而生

随着 QSAR 研究的兴起，研究者需要将"分子相似性"量化。位串指纹（Bitstring Fingerprints）应运而生，核心思想是：将分子的结构特征编码为固定长度的二进制或整数向量。

几类重要指纹的对比如下：

其中，ECFP（Extended Connectivity Fingerprint） 是目前最广泛使用的指纹，由 Rogers & Hahn 于 2010 年系统化描述。其算法与图神经网络的消息传递框架高度对应（详见第五节），是理解 GNN 的重要桥梁。

值得注意的是：尽管 3D 指纹理论上包含更丰富的构象信息，但由于生物活性构象通常未知，且编码单一最低能量构象会引入偏差，3D 方法在实际 QSAR 任务中常被 2D 指纹方法超越——这是该领域的一个重要经验教训。

3.3 描述符：显式物化信息的编码

与指纹并行的另一类表示是分子描述符（Molecular Descriptors），直接编码物理化学性质，如分子量、logP、氢键供/受体数量、拓扑极性表面积（TPSA）等。

描述符的优势在于可解释性强（每一维都有明确物理含义），且计算成本低。Lipinski 五规则即基于少数描述符构建的经验性药代动力学预测框架，历经 30 年仍广泛使用。

四、好的分子表示需要满足哪些条件？

作者提炼出四个核心标准，这是评价任何分子表示方案的理论框架：

4.1 表达性（Expressive）

分子表示必须能捕捉化学空间的丰富多样性，同时能区分细微的结构差异。这里"细微"的含义远超直觉：

• • 质子化状态：同一骨架在不同 pH 下可呈现截然不同的生物活性
• • 互变异构体（Tautomers）：酮式与烯醇式可导致完全不同的结合模式
• • 立体化学：对映体可具有完全相反的药理活性（如沙利度胺的 R/S 异构体）

这些"单原子/单键"级别的扰动，在现有分子表示中仍是开放性挑战。

4.2 简洁性（Parsimonious）

奥卡姆剃刀原则在此同样适用。药物化学数据集规模通常有限，高维稀疏的特征空间容易导致维度灾难与过拟合。

ECFP 的长度通常为 1024 或 2048 位，但有效位（非零位）往往只有几十到几百位——冗余极高。深度学习所学的连续向量表示（通常为 128–512 维的密集嵌入），在这一维度上理论上更为高效。

4.3 不变性（Invariant）

分子的图结构对以下变换应保持不变：

• • 原子编号顺序：同一分子的不同编号方式应产生相同表示
• • 旋转与平移（对 3D 方法）：分子在空间中的朝向不影响其化学性质
• • 镜像翻转（对手性不敏感任务）

ECFP 通过以每个原子为局部参考系来保证排列不变性；图神经网络则通过置换不变（Permutation-Invariant）的聚合操作（如求和、求均值）来实现这一特性。

4.4 可解释性（Interpretable）

这是在科学应用中最容易被忽视但极其重要的维度。一个纯粹追求预测精度的"黑盒"模型在实际药物发现中风险极高：

• • 模型可能在学习混杂变量（如化合物来源、测试日期、实验批次偏差），而非真实的构效关系
• • 无法验证模型是否学到了"有意义"的化学规律
• • 不能为药物化学家提供结构优化的方向性建议

五、深度学习的核心架构与分子学习

5.1 为何现在是深度学习的时代？

深度神经网络（DNN）并非新生事物——上世纪 90 年代就已应用于 QSAR。然而，它在过去十年的爆发式成功，依赖三个关键要素的协同成熟：

1. 1. 数据规模：ChEMBL、ZINC15 等开放数据库积累了数以亿计的分子及生物活性数据
2. 2. 算法突破：BatchNorm、ReLU 激活函数、Adam 优化器、残差连接（ResNet）解决了深层网络的训练困难
3. 3. 硬件加速：GPU 使并行矩阵运算速度提升 100–1000 倍，大幅降低训练成本

对于分子来说，这三者的结合意味着：我们第一次有能力在足够大的化学数据上训练足够深的网络。

5.2 各类神经网络架构与分子学习的对应关系

5.3 图神经网络：从 ECFP 到可学习的"神经指纹"

这是本文最具技术深度的部分，值得细读。

ECFP 的算法流程：

1. 1. 为每个原子赋予初始标识符（基于原子类型、度、氢数等）
2. 2. 迭代：将当前标识符与邻居标识符通过哈希函数聚合，生成新标识符（对应"半径"r 的圆形邻域）
3. 3. 将所有标识符的集合映射到固定长度位串（通过哈希）

GNN 的消息传递框架：

1. 1. 为每个原子赋予初始特征向量（原子类型、杂化态、形式电荷等）
2. 2. 迭代 次：每个原子从其邻居聚合信息，通过可学习的神经网络层更新自身表示
3. 3. 对所有原子表示进行全局聚合（readout），得到分子级向量

两者的结构上完全同构——GNN 本质上就是 ECFP 的可微分、可学习版本。关键区别在于：

• • ECFP 使用固定哈希函数聚合，对任务不可知；GNN 的聚合函数由数据驱动优化，对任务自适应
• • ECFP 产生离散的、稀疏的位串；GNN 产生连续的、密集的嵌入向量，保留了片段间的相似性信息
• • ECFP 中"氯乙基"与"氟甲基"是完全不同的编码；GNN 可学习到它们在功能上的相似性

早期工作中，Duvenaud 等人的神经图指纹（Neural Graph Fingerprints） 和 Kearnes 等人的分子图卷积（Molecular Graph Convolutions） 证明了 GNN 可以在水溶性和生物活性预测任务上达到或超越 ECFP 的性能，开创了这一方向的先河。

六、深度学习的四大机遇：技术深度解析

6.1 从灵活输入格式学习

SMILES 的局限性是一个重要的工程问题，文章给出了三点批评：

1. 1. 非唯一性：同一分子可以有多个合法 SMILES 字符串（如苯可以写成 c1ccccc1 也可以写成 c1cccc c1），导致训练数据中存在同义不同形的噪声
2. 2. 脆弱性：单个字符的改动可能产生化学上无效的分子
3. 3. 线性化失真：分子本质是非线性的图，强行序列化必然损失拓扑信息

针对这些问题，研究者提出了多种解决方案：

• • SMILES 数据增强（Bjerrum, 2017）：对同一分子使用多种合法 SMILES 表示作为训练样本，提高模型鲁棒性
• • DeepSMILES（O'Boyle & Dalke, 2018）：修改 SMILES 语法，减少不合法字符串的产生
• • SELFIES（Krenn et al., 2019）：自参照嵌入字符串，数学上保证任意随机字符串都对应一个合法分子，根本解决生成有效性问题
• • 图神经网络：直接在图结构上操作，绕开字符串表示的所有问题

6.2 连续化学空间与分子相似性的重新定义

相似属性原则（Similar Property Principle） 是 QSAR 的基石：结构相似的分子应具有相似的性质。然而，Tanimoto 系数等传统相似性度量有根本缺陷：

• • 活性悬崖（Activity Cliffs）：两个 Tanimoto 系数高达 0.9 的分子，活性可能相差 1000 倍以上
• • 骨架跃迁（Scaffold Hops）：两个结构截然不同（Tc < 0.3）的分子可以作用于同一靶点，且具有相似效力

这两种情况在传统指纹空间中都是"异常值"，但在功能上分别代表"过高估计相似性"和"过低估计相似性"。

深度学习的连续嵌入空间从理论上提供了更优越的解决方案：网络可以在训练过程中，将功能相似的分子映射到嵌入空间的邻近区域，而与其拓扑相似性无关。Gomez-Bombarelli 等人的 VAE 工作 是这一思想的最佳实践：

• • 编码器：将 SMILES 字符串压缩为低维连续潜向量（256 维）
• • 解码器：从潜向量重建 SMILES 字符串
• • 性质预测网络：与编码器联合训练，使潜空间具有"性质可预测"的结构
• • 梯度优化：直接在连续潜空间中沿着性质梯度方向移动，实现分子优化

这使得"分子优化"从组合问题变为连续优化问题，可以使用成熟的梯度下降算法。

6.3 生成模型与从头药物设计

逆向 QSAR（Inverse QSAR/QSPR） 是药物设计的圣杯：给定目标活性，生成具有该活性的分子结构。这一问题的难点在于：

• • 分子空间是离散的，无法直接应用基于梯度的优化
• • 活性预测模型（正向）的输出空间（实数）与分子生成的输出空间（图/字符串）存在本质鸿沟

深度生成模型提供了三种主流框架：

① 变分自编码器（VAE）

• • 核心贡献：将离散分子空间连续化
• • 代表工作：Gomez-Bombarelli et al.（ACS Cent. Sci. 2018）；Jin et al. 的 Junction Tree VAE（ICML 2018）
• • 后者通过在分子片段树（Junction Tree）层面操作，从根本上保证了生成分子的化学有效性

② 循环神经网络（RNN）生成模型

• • 类比语言模型，逐字符生成 SMILES
• • 代表工作：Segler et al.（ACS Cent. Sci. 2018）的两步迁移学习方法：先在 140 万个 ChEMBL 分子上预训练，再在已知活性分子上微调，生成聚焦化合物库
• • Popova et al. 使用 stack-RNN 实现 95% 的结构有效率

③ 图生成网络

• • 直接生成分子图，绕开字符串表示的问题
• • 代表工作：MolGAN（De Cao & Kipf, 2018）使用生成对抗网络（GAN）
• • 图的生成比编码更具挑战性（节点/边需要逐步决策），但图有效率更高

作者的冷静批判值得关注：

Zhavoronkov 等人（Nat. Biotechnol. 2019）用深度生成模型发现 DDR1 激酶抑制剂，最优化合物 IC₅₀ 达 10 nM，整个流程仅用数周——听起来令人振奋。然而 Walters & Murcko 的评论指出，该最优化合物与已知 DDR1 抑制剂高度相似，新颖性存疑。这一争论点出了生成模型的核心困境：如何在新颖性（Novelty）与可合成性（Synthesizability）之间取得平衡？

此外，Stokes 等人（Cell 2020）用虚拟筛选（而非生成模型）发现了广谱抗生素 Halicin，同样令人印象深刻——说明枚举式筛选与生成式设计在实践中仍是互补而非替代的关系。

6.4 多任务学习与迁移学习

多任务学习（Multitask Learning） 的核心假设：多个相关任务共享底层的化学规律，联合训练可让模型在学习任务 A 的同时，借助任务 B 的信号来改善任务 A 的表示学习。

从信息论角度理解：对于单任务模型，只有正比于数据集大小 N 的"有效样本量"；多任务模型通过辅助任务，相当于为每个原始任务引入额外监督信号，等效扩大了训练集。

实证证据的梳理：

结论：多任务学习并非万能，任务相关性是成败的决定因素。激酶家族内多任务天然适配（共享 ATP 结合口袋特征），而跨蛋白家族的多任务则需要谨慎评估。

迁移学习（Transfer Learning） 在计算机视觉中的成功有目共睹：ImageNet 预训练的 ResNet 被迁移到皮肤癌分类，仅用数百张图片即可达到皮肤科专家水平（Esteva et al., Nature 2017）。

然而，在分子学习中直接复制这一成功面临更大困难：

• • 化学空间的多样性远超图像空间：猫和狗共享大量视觉特征（边缘、纹理），而激酶与GPCR之间的底层化学规律差异极大
• • 数据规模不匹配：ImageNet 有 120 万张图，而 ChEMBL 高质量活性数据仅约 50–100 万条，且分散在数千个靶点上
• • 负迁移风险：Hu et al.（arXiv 2019）发现，GNN 迁移学习中，预训练策略的选择（节点级 vs. 图级、有监督 vs. 无监督）对迁移效果影响极大，不当的预训练甚至导致性能下降

七、模型可解释性：药物发现中不可或缺的维度

7.1 为何可解释性在科学应用中尤为重要

作者引用了 McCloskey et al. 一个极具说服力的反例：在人工构造的、真实活性已知的合成数据集上，神经网络通过学习数据集中的混杂相关性（而非真实的构效关系），仍能在测试集上取得近乎完美的准确率。

这表明：高 AUC-ROC 或高 R² 并不等于模型学到了有意义的化学知识。若不进行可解释性分析，强大的模型可能只是在"记住"数据集的偏差。

7.2 可解释性方法工具箱

事后归因方法（Post-hoc Attribution）：

• • 特征消融（Feature Ablation）：系统性地移除某个特征，观察预测变化；简单但可能给出误导性结果（Sheridan, 2019）
• • 梯度显著图（Gradient Saliency Maps）：计算输出对每个输入特征的梯度，高梯度区域对预测贡献大；对应 GNN 中的原子重要性热图
• • 积分梯度（Integrated Gradients, IG）：沿从基准点到输入点的路径积分梯度，理论上满足完备性公理，更可靠
• • 注意力权重（Attention Weights）：在 Transformer 类模型中，注意力分数可视化哪些原子/片段对预测影响最大

本征可解释模型（Intrinsically Interpretable）：

• • Chen et al. 的深度强化学习方法：训练模型同时生成预测和预测理由（显式子结构高亮），对 hERG 抑制预测中，模型准确识别出亲脂性碱性胺基团——与电生理实验证据高度吻合

7.3 作者的审慎态度

文章明确指出现有解释性研究的局限：

• • 多数案例是确认性的——验证模型学到了已知化学规律（如羟基→水溶性，碱性胺→hERG 阻断），而非发现新的 SAR
• • 容易陷入确认偏误：研究者可能选择性展示与直觉一致的例子
• • 使用不同可解释性方法对同一模型分析，结果可能相互矛盾

因此，作者倡导假设驱动的可解释性研究：先提出具体的、可证伪的化学假设，再用可解释性工具验证模型是否学到了对应的模式，而非在训练完成后进行无结构的"探索"。

八、深度学习的现实局限：清醒的批判视角

九、未来方向展望

作者在结论部分指出了几个最值得关注的前沿方向：

① 三维结构与构象动态的有效编码

现有方法主要处理 2D 拓扑（静态分子图）。然而，分子识别（如蛋白-配体结合）本质上是三维事件，且涉及柔性分子的构象集成（Conformational Ensemble）。如何有效编码三维信息而不引入构象偏差，仍是开放问题。等变图神经网络（Equivariant GNN，如 SE(3)-Transformers、SchNet、DimeNet）是目前最有前景的方向之一（但超出本文范围）。

② 整合结构生物学的多模态学习

将小分子表示与蛋白质序列/结构表示（如 AlphaFold 预测的结构）在同一框架下联合学习，实现真正的配体-靶点共建模，是下一代虚拟筛选的重要方向。

③ 主动学习与实验闭环

深度学习模型与实验测试之间的闭环（Active Learning / Bayesian Optimization），可以用最少的实验资源最快速地缩小候选分子空间——这比大规模虚拟筛选或生成式设计在实践中可能更为高效。

十、综合评价与阅读建议

本文的核心贡献

1. 1. 系统梳理了从传统指纹到深度学习的分子表示演进，建立了清晰的概念框架
2. 2. 深度解析了 GNN 与 ECFP 的算法对应关系，帮助读者从已知出发理解 GNN
3. 3. 批判性评估了生成模型、多任务学习、迁移学习的现实局限——这种清醒在该领域并不常见
4. 4. 强调可解释性的科学重要性，并给出具体的方法论建议

本文的时代背景与延伸阅读

本文成文于 2020 年，Transformer/BERT 类预训练语言模型尚未在分子领域全面铺开。此后，ChemBERTa、MolBERT、Uni-Mol 等大规模分子预训练模型相继出现，在多项基准任务上大幅刷新了 GNN 的性能记录——这是本文未能覆盖但同样重要的进展。