MolGuidance: Advanced Guidance Strategies for Conditional Molecular Generation with Flow Matching

📄 arXiv: 2512.12198v1 📥 PDF

作者: Jirui Jin, Cheng Zeng, Pawan Prakash, Ellad B. Tadmor, Adrian Roitberg, Richard G. Hennig, Stefano Martiniani, Mingjie Liu

分类: cs.LG, q-bio.QM

发布日期: 2025-12-13

备注: 19 pages, 5 figures, code: https://github.com/Liu-Group-UF/MolGuidance

💡 一句话要点

MolGuidance：利用Flow Matching进行条件分子生成的高级引导策略

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱四：生成式动作 (Generative Motion)

关键词: 分子生成 条件生成 Flow Matching 引导策略 贝叶斯优化

📋 核心要点

  1. 现有条件分子生成方法在属性对齐、结构多样性和采样效率方面存在挑战，难以同时满足多个优化目标。
  2. MolGuidance提出一种混合引导策略，分别引导连续和离散分子模态，并通过贝叶斯优化联合优化引导尺度。
  3. 在QM9和QMe14S数据集上的实验表明，MolGuidance在属性对齐方面达到了新的SOTA，并保持了较高的结构有效性。

📝 摘要（中文）

条件分子生成的核心目标包括确保化学有效性、使生成的分子与目标属性对齐、促进结构多样性以及实现高效采样以进行发现。计算机视觉领域的最新进展引入了一系列用于生成模型的新引导策略，其中许多策略可以被调整以支持这些目标。本文将最先进的引导方法（包括无分类器引导、自动引导和模型引导）集成到一个基于SE(3)-equivariant flow matching过程的领先分子生成框架中。我们提出了一种混合引导策略，该策略分别引导连续和离散分子模态——分别作用于速度场和预测的logits——同时通过贝叶斯优化联合优化它们的引导尺度。我们的实现，在QM9和QMe14S数据集上进行了基准测试，在新分子生成中实现了属性对齐方面的最新性能。生成的分子也表现出很高的结构有效性。此外，我们系统地比较了各种引导方法的优势和局限性，从而深入了解了它们更广泛的适用性。

🔬 方法详解

问题定义：条件分子生成旨在生成具有特定属性的有效分子结构。现有方法通常难以在化学有效性、目标属性对齐、结构多样性和采样效率之间取得平衡。尤其是在复杂属性的引导下，生成分子的质量和多样性容易受到影响。

核心思路：MolGuidance的核心思路是将计算机视觉领域先进的引导策略（如无分类器引导、自动引导和模型引导）引入到分子生成任务中，并针对分子数据的特点进行优化。通过混合引导策略，分别处理连续和离散的分子表示，从而更有效地控制生成过程。

技术框架：MolGuidance基于SE(3)-equivariant flow matching框架，该框架能够处理分子的三维结构信息。整体流程包括：1）使用flow matching模型生成分子结构；2）利用混合引导策略，分别对连续的速度场和离散的logits进行引导；3）使用贝叶斯优化方法，联合优化不同引导策略的尺度参数，以达到最佳的性能。

关键创新：MolGuidance的关键创新在于提出了混合引导策略，该策略能够同时处理连续和离散的分子模态。传统的引导方法通常只关注其中一种模态，而忽略了另一种模态的信息。通过分别引导速度场和logits，MolGuidance能够更全面地控制生成过程，从而提高生成分子的质量和多样性。

关键设计：MolGuidance的关键设计包括：1）使用无分类器引导、自动引导和模型引导等多种引导策略；2）针对连续的速度场和离散的logits，设计不同的引导函数；3）使用贝叶斯优化方法，自动调整不同引导策略的尺度参数。损失函数包括flow matching损失和引导损失，通过联合优化这些损失函数，可以生成具有目标属性的有效分子结构。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

MolGuidance在QM9和QMe14S数据集上取得了显著的性能提升。在属性对齐方面，MolGuidance达到了新的SOTA。与现有方法相比，MolGuidance生成的分子具有更高的化学有效性和结构多样性。实验结果表明，混合引导策略能够有效地提高生成分子的质量。

🎯 应用场景

MolGuidance可应用于药物发现、材料设计等领域。通过生成具有特定性质的分子，可以加速新药的研发过程，并发现具有优异性能的新材料。该方法还可以用于优化现有分子的结构，以提高其活性或稳定性。未来，MolGuidance有望成为分子设计的重要工具。

📄 摘要（原文）

Key objectives in conditional molecular generation include ensuring chemical validity, aligning generated molecules with target properties, promoting structural diversity, and enabling efficient sampling for discovery. Recent advances in computer vision introduced a range of new guidance strategies for generative models, many of which can be adapted to support these goals. In this work, we integrate state-of-the-art guidance methods -- including classifier-free guidance, autoguidance, and model guidance -- in a leading molecule generation framework built on an SE(3)-equivariant flow matching process. We propose a hybrid guidance strategy that separately guides continuous and discrete molecular modalities -- operating on velocity fields and predicted logits, respectively -- while jointly optimizing their guidance scales via Bayesian optimization. Our implementation, benchmarked on the QM9 and QMe14S datasets, achieves new state-of-the-art performance in property alignment for de novo molecular generation. The generated molecules also exhibit high structural validity. Furthermore, we systematically compare the strengths and limitations of various guidance methods, offering insights into their broader applicability.