学习笔记 | SILVR 如何让扩散模型按参考结构生成药物分子?

可以先把普通扩散模型理解成这样：

从一团随机噪声出发，经过一步步去噪，最后生成一个分子。

而 SILVR 在这个过程中做了一件很巧妙的事：在每一步去噪时，都把“参考片段”的信息轻微加入进去，让当前生成结果向参考结构靠近一点。这样反复多次后，最终得到的分子就会在整体空间形状上更接近参考片段。

论文第 4 页的 Figure 2 很直观地展示了这一点：原本模型沿着自己的去噪轨迹生成分子，而加入 SILVR 后，潜在空间中的生成路径会被持续拉向参考分子所在方向。作者把这个引导强度定义为 SILVR rate rSr_SrS：

• rS=0r_S = 0rS=0：完全不引导，相当于普通扩散模型；

• rSr_SrS 较小：只保留大致空间趋势；

• rSr_SrS 适中：既能接近参考片段，又能保持分子的合理性；

• rSr_SrS 过大：虽然更像参考结构，但容易牺牲分子多样性，甚至生成不合理结构。

1. SILVR 确实能控制“生成分子有多像参考片段”

论文发现，随着 rSr_SrS 增大，生成分子与参考片段之间的 RMSD 会明显下降，也就是说，生成结果会越来越接近参考结构。但这种引导并不是越强越好：当 rSr_SrS 太大时，虽然形状更像了，分子的化学合理性却开始下降。作者最终认为，中等范围的 rSr_SrS 更合适，能够在结构相似性、多样性和分子质量之间取得平衡。

2. 生成的分子可以更好地贴合蛋白口袋

作者使用形状互补性评分评估生成分子与 Mpro 结合口袋的匹配程度，结果显示：随着引导增强，分子与口袋的形状适配度也有所改善。这意味着，即使模型没有直接使用蛋白信息，也能因为参考片段的存在，间接生成更适合放入口袋中的结构。

3. 它能完成片段合并和片段连接

论文第 7 页的 Figure 4 展示了不同片段组合下的生成结果。

作者证明，SILVR 不仅可以生成与参考片段相似的分子，还能完成：

• 多片段融合；

• 部分重叠片段合并；

• 分离片段之间的连接。

尤其是在 linker generation 场景中，作者通过加入不受参考坐标限制的 dummy atoms，让模型有机会在两个片段之间“长出”连接结构。