分子生成器学会“反向微调”：SemlaFlow 把含不良基序的分子占比从31.1%压到2.2%
核心概要
分子生成器常会产出反应性、金属结合、带电或干扰检测的基序，而“不含某基序”的分子在化学空间里分布很散，难以当作一个正类来学习。负外推（NE）改为在含目标基序的分子上微调，再把得到的权重更新反向施加，从而直接削弱该基序。在三维流匹配生成器 SemlaFlow 上，标准 NE 把含任一目标基序的有效分子比例从31.1%降到5.3%，却把 RDKit 有效图产率从93.9%降到65.9%；加入由无基序分子学到的修正方向后，基序比例降到2.2%，有效图产率回到88.3%，固定采样预算下的三维可用产率从60.0%升到80.8%。
深度剖析
负外推把“抑制某类化学结构”变成一次参数空间编辑，而不是在生成后过滤或反复跑奖励优化。 此前的做法要么在固定采样预算下丢弃含基序的分子，要么在无基序分子上做常规微调，而后者只是强化所选正集里的化学，并不直接指明要压掉分布中的哪一部分。 在 RNN、Transformer 和公开的 REINVENT 先验三个字符串生成器上，覆盖反应性、金属结合、带电和检测干扰四类基序共十二个架构—目标组合，NE 对目标基序的削减都强于常规微调和参数范数匹配的随机 NE；相对常规微调，命中率在 RNN 上低0.32–7.80个百分点，Transformer 上低0.91–5.41个百分点，REINVENT 先验上低2.59–4.99个百分点。
做法是先让基序方向显形，再沿相反方向走一步。 具体是在含目标基序的分子上、用模型原有的生成训练目标继续训练，得到从基座模型出发的权重更新，再按 θNE = θbase − λ(θbad − θbase) 反向施加，λ 控制编辑强度。 在 SemlaFlow 上联合针对四类基序，基座生成器有31.1%的有效分子至少含一个目标基序，常规微调降到13.3%，标准 NE 降到5.3%，而范数匹配的随机 NE 只到25.7%。
修正版 NE 把“去掉基序”和“保持有效生成”拆开处理，使三维生成器在压掉基序的同时恢复图有效性。 标准全模型 NE 把 SemlaFlow 的 RDKit 有效图产率从93.9%拉到65.9%，修正版 CNE 先从负集更新中减去由无基序分子独立学到的任务向量，再做外推。 CNE 把有效图产率恢复到88.3%、基序比例降到2.2%，三维可用产率从基座的60.0%升到80.8%；相对常规微调，基序频率低11.11个百分点（95% CI 10.82–11.40），三维可用产率高4.17个百分点（95% CI 3.42–4.93），经 Holm 校正后仍显著。
启示与展望
结论建立在四类由 SMARTS 定义的结构基序上，这些是结构代理而非实验验证的毒性或可成药性测量；评估覆盖四个生成器实现，且全部为无条件生成，未涉及条件化的配体设计或结构导向设计。
基序频率下降不等于概念擦除或机器遗忘，实验只测量生成分布的变化，没有测试后续微调能否恢复基序生成；CNE 所依赖的“负集更新可分解为共享成分与基序成分”只是假设，未在权重层面独立验证；FCD 与 FDD 没有界定分布位移大小的通用阈值。