企业官网建设流程全解析

1. 项目概述：为什么我们需要一个模块化的3D分子生成平台？

最近在计算化学和药物发现领域，一个词被反复提及：3D分子生成。这听起来可能有点抽象，但你可以把它想象成一位顶尖的“分子建筑师”。传统的药物设计，往往是从已知的分子库中筛选，或者基于一个已知的“母核”进行修修补补，这个过程有点像在已有的乐高套装里找零件拼凑。而3D分子生成，则是直接告诉AI：“我需要一个能精准结合在某个蛋白质口袋（靶点）里的、具有特定性质的分子”，然后AI从零开始，为你设计出全新的、合理的3D分子结构。

《美国化学会志》（JACS）上这篇工作提出的“模块化3D分子扩散生成平台”，正是这个领域一次重要的范式升级。它不再是一个单一的、黑箱式的生成模型，而是像一套高度定制化的分子设计流水线。核心在于“模块化”和“3D扩散”。模块化意味着你可以像搭积木一样，根据不同的任务需求（比如优化溶解度、提高结合亲和力、避免毒性）组合不同的功能模块；而3D扩散模型，则是当前生成高质量、多样化3D分子构象最前沿的技术路径。

这个平台解决的核心痛点是什么？是“可控性”和“实用性”。早期的分子生成模型，可能能生成一堆看起来合理的2D分子图，但到了3D空间，其几何构型、手性、构象可能完全不符合物理规律，或者根本无法合成。更关键的是，药物化学家希望生成过程是“可引导的”，能融入他们的先验知识。这个平台正是为此而生，它让计算化学家和药物研发人员，从一个被动的模型使用者，变成了主动的“流程设计师”。

2. 核心思路拆解：模块化与扩散模型如何强强联合？

要理解这个平台的价值，我们需要拆解它的两大基石：模块化架构设计，以及3D扩散生成原理。这两者结合，才实现了从“能生成”到“好用、可控地生成”的跨越。

2.1 模块化设计：像组装乐高一样定制你的分子生成流程

传统的端到端生成模型，输入条件（比如靶点蛋白结构、性质要求），输出分子，中间过程不可干预。而这个平台的核心思想，是将整个生成流程解耦成多个独立的、可插拔的模块。典型的模块可能包括：

1. 条件编码模块：负责将你的“要求”转化为机器能理解的特征。比如，你可以输入一个蛋白质的3D口袋结构（通过PDB文件），该模块会提取口袋的形状、静电势、疏水性等特征；你也可以输入一组所需的分子性质（如logP, 分子量， 氢键供体/受体数量），该模块将其编码为向量。
2. 几何初始化模块：分子生成需要一个起点。这个模块决定了初始的“分子种子”是什么。可以是完全随机的原子点云，也可以是基于参考分子的粗略形状，甚至是用户手动放置的几个关键原子（药效团）。这给了用户极大的初始控制权。
3. 扩散去噪网络（核心生成模块）：这是平台的引擎，一个基于3D坐标的扩散模型。它负责执行最主要的“从噪声到分子”的生成过程。其独特之处在于，它被设计成可以方便地接收来自其他模块的“条件信号”。
4. 性质预测与引导模块：这是一个反馈回路。在扩散过程的每一步，或者生成初步结果后，可以调用快速的性质预测器（比如用机器学习力场MMFF或简单的QSAR模型）来评估当前中间体的性质（如与靶点的结合能、类药性）。如果不符合要求，该模块会计算一个“梯度”或“修正信号”，反馈给扩散模型，引导其向目标方向优化。这就是“可控生成”的关键。
5. 后处理与验证模块：生成的3D结构可能需要进行局部的几何优化（用UFF或MMFF力场做快速最小化），检查键长、键角、二面角是否合理，并生成标准的分子文件（如SDF, MOL2）。

注意：模块化的最大优势是灵活性和可解释性。如果明天有一个新的、更快的性质预测方法出现，你只需要替换掉第4个模块，而无需重新训练整个庞大的生成模型。药物化学家也可以介入，在某个环节手动调整，实现人机协同设计。

2.2 3D扩散模型：如何“无中生有”一个合理的分子？

扩散模型在图像生成上大放异彩，其核心思想是“先破坏，再学习重建”。对于3D分子，这个过程同样适用，但操作对象变成了原子的3D坐标(x, y, z)和原子类型(C, N, O, ...)。

前向扩散过程（加噪）： 假设我们有一个真实的3D分子，有N个原子。我们定义一个噪声调度，在T个时间步内，逐步向每个原子的坐标添加高斯噪声。同时，原子类型也可能被逐渐“模糊化”（例如，用一个向量表示属于各类原子的概率）。在时间步T，分子的3D结构会变成一团几乎完全随机的、各向同性的高斯点云，原子类型信息也几乎丢失。

逆向扩散过程（去噪/生成）： 这才是模型需要学习的核心。我们训练一个神经网络（通常是等变图神经网络，如EGNN、SphereNet等），让它学会从第t步的噪声分子状态，预测出第t-1步稍微“清晰”一点的状态。具体来说，网络需要预测添加到坐标上的噪声，以及原子类型的分布。

数学上简化理解： 前向过程：x_t = sqrt(alpha_t) * x_{t-1} + sqrt(1 - alpha_t) * ε, 其中x是坐标或特征，ε是噪声，alpha_t是调度参数。 逆向过程：网络学习预测ε_θ(x_t, t, c)，即给定噪声状态x_t、时间步t和条件信息c（来自条件编码模块），预测出噪声ε。然后用这个预测的噪声去计算x_{t-1}。

为什么是等变网络？因为分子的能量和性质在3D空间中是旋转、平移不变的（即等变的）。一个碳原子在哪个绝对位置不重要，重要的是它相对于其他原子的位置。等变网络能保证生成的分子结构具有这种物理对称性，这是生成合理3D构象的基础。

这个平台将上述扩散模型作为其核心生成模块，并通过模块化设计，让条件信息c能够丰富、灵活地注入到网络的每一层，从而实现了高度可控的生成。

3. 平台核心模块深度解析与实操要点

理解了整体框架，我们深入到几个关键模块的内部，看看它们具体是如何工作的，以及在实践中需要注意什么。

3.1 条件编码模块：如何让模型“听懂”你的要求？

这是控制生成方向的“方向盘”。平台通常会支持多种条件输入方式：

1. 3D蛋白质口袋编码：

• 输入：一个PDB文件，或者预先定义好的口袋坐标网格。
• 处理流程：
  • 网格化：将口袋区域划分为规则的3D体素网格。
  • 特征提取：在每个体素内，计算多种特征，例如：
    • 形状/占据：该位置是否被蛋白质原子占据（二值特征）。
    • 化学特征：疏水性、氢键供体/受体、电荷、芳香性等。这通常通过分析口袋内氨基酸残基的性质来赋予。
    • 相互作用势：预计算该位置与探针原子（如碳、氧、氮）的范德华力、静电势能。
• 网络架构：通常使用3D卷积神经网络（3D-CNN）或体素化点云网络来处理这些网格特征，最终输出一个稠密的特征张量或一个全局特征向量。
• 实操要点：口袋的定义至关重要。定义得太小，可能限制生成；定义得太大，会引入噪声并增加计算量。通常使用软件如PyMOL的castp插件或fpocket来探测和定义口袋。特征的计算需要一致化，确保训练和推理时使用相同的参数。

2. 分子性质条件编码：

• 输入：一组标量值，如QED（类药性分数，目标>0.6）、SAScore（合成可及性分数，目标<4.5）、LogP（脂水分配系数，目标1~5）、分子量（目标<500）等。
• 处理流程：非常简单，通常将这些标量值拼接成一个向量，然后通过一个多层感知机（MLP）映射到与模型隐层维度匹配的条件向量。
• 实操要点：性质的范围需要标准化。在训练时，需要从数据集中计算这些性质的均值和标准差，在推理时对输入条件进行同样的标准化处理。同时，设置合理的、相互兼容的性质目标非常重要，要求“溶解度高、脂溶性也高、分子量还小”这种矛盾条件，会导致生成失败或结果不佳。

3. 药效团条件编码：

• 输入：用户定义的药效团特征，例如：“在坐标 (10.0, 5.0, 0.0) 附近需要一个氢键受体”，“在某个区域需要一个芳香环中心”。
• 处理流程：将每个药效团特征（类型、位置、容忍度）编码为一个向量，并作为额外的条件输入。在扩散过程中，可以通过损失函数强制让生成的原子满足这些空间约束。
• 实操心得：这是人机交互最强的部分。药效团条件不宜设置过多过严，否则会严重限制生成的多样性。通常先基于靶点结构用软件（如MOE、Discovery Studio）生成一个初步的药效团模型作为“软约束”，让模型在这个框架内发挥创造性。

3.2 扩散去噪网络：等变图神经网络（EGNN）的实战细节

平台的核心生成器很可能基于EGNN或其变种。我们来拆解它的工作流程。

输入：在扩散的任意时间步t，我们有一个“噪声分子”，表示为：

• 原子坐标矩阵X_t(形状: [N, 3])
• 原子特征矩阵H_t(形状: [N, F])，F是特征维度，包含原子类型、时间步嵌入、条件信息等。
• 条件向量c。

EGNN单层操作（简化）：

1. 消息计算：对于每一对原子(i, j)，计算它们之间的相对位移向量x_ij = x_i - x_j和距离d_ij = ||x_ij||。
2. 消息传递：将原子特征h_i,h_j、距离d_ij和条件c输入一个MLP（φ_e），得到从原子j到原子i的消息m_ij。同时，另一个MLP（φ_x）会输出一个标量，乘以位移向量x_ij，作为对坐标更新的贡献。
   • m_ij = φ_e(h_i, h_j, d_ij, c)
   • Δx_ij = φ_x(m_ij) * x_ij / (d_ij + 1)（除以距离是为了数值稳定）
3. 特征聚合：原子i收集所有来自邻居j的消息，更新自身特征。
   • m_i = Σ_{j≠i} m_ij
   • h_i’ = φ_h(h_i, m_i, c)（φ_h是更新函数）
4. 坐标聚合：原子i的坐标根据所有收到的向量贡献进行更新。
   • Δx_i = Σ_{j≠i} Δx_ij
   • x_i’ = x_i + Δx_i

关键点：坐标更新Δx_i是x_ij的线性组合，这保证了整个变换对于旋转和平移是等变的。网络学习的是如何根据相对几何和特征来“移动”原子。

训练流程：

1. 从数据集中采样一个真实的3D分子(X_0, H_0)。
2. 随机采样一个时间步t ~ Uniform(1, T)。
3. 根据噪声调度，计算加噪后的分子状态(X_t, H_t)。
4. 将(X_t, H_t, t, c)输入EGNN网络。
5. 网络预测添加到坐标和特征上的噪声(ε_X, ε_H)。
6. 计算预测噪声与真实添加噪声之间的均方误差（MSE）作为损失，进行反向传播。

注意事项：训练扩散模型对计算资源要求很高，尤其是需要大量3D分子构象作为训练数据（如QM9、GEOM-Drugs数据集）。噪声调度的设计（如cosine schedule）对生成质量影响很大。通常需要在一个大规模的分子数据集上预训练一个无条件生成模型，然后再用特定条件的数据进行微调，这样效果更好，也更节省资源。

3.3 性质引导模块：让生成过程“有目标”

这是实现定向优化的“导航仪”。最常见的方法是分类器引导（Classifier Guidance）。

原理：在扩散模型的逆向采样过程中，我们不仅希望从噪声数据x_t得到干净数据x_0，还希望x_0具有某种性质y（如高结合亲和力）。根据贝叶斯公式，逆向过程的条件分布可以写为：p(x_{t-1} | x_t, y) ∝ p(x_{t-1} | x_t) * p(y | x_{t-1})其中p(x_{t-1} | x_t)是无条件扩散模型预测的分布，p(y | x_{t-1})是一个分类器（或回归器）给出的当前状态具有性质y的概率。

实操步骤：

1. 训练一个性质预测器：用一个独立的网络（通常结构比生成网络简单）在干净分子数据(X_0, H_0)上训练，输入分子结构，输出目标性质y的预测值或概率。这个预测器需要能够处理部分噪声的中间状态x_t，这通常通过在训练时也给预测器输入加噪的分子来实现。
2. 引导采样：在逆向采样的每一步，用训练好的无条件扩散模型预测噪声ε_θ(x_t, t)。同时，用性质预测器计算性质y关于当前坐标x_t的梯度∇_{x_t} log p(y | x_t)。
3. 修正噪声：将梯度信息融入到噪声预测中，得到条件生成所需的噪声：ε_guided = ε_θ(x_t, t) - s * σ_t * ∇_{x_t} log p(y | x_t)其中，s是一个引导尺度系数，控制引导的强度；σ_t是当前时间步的噪声标准差。
4. 用修正后的噪声ε_guided去计算下一步的状态x_{t-1}。

实操心得：

• 引导尺度s：这是一个超参数。s=0即无条件生成；s越大，生成分子越符合目标性质，但多样性会下降，甚至可能生成结构怪异、能量很高的分子。需要反复调试，找到一个平衡点。
• 预测器质量：性质预测器的准确性直接决定引导的效果。如果预测器本身不准，引导就是“瞎指挥”。对于结合能这类复杂性质，通常使用快速打分函数（如AutoDock Vina、NNScore）或轻量级机器学习模型（如Random Forest、GNN）作为预测器。
• 计算开销：每一步采样都需要计算梯度，这会显著增加采样时间。对于实时交互式设计，可能需要更高效的引导策略。

4. 完整工作流实操与参数配置指南

现在，我们假设你拿到了这个平台（或类似开源项目，如GeoDiff、EDM的扩展）的代码，如何从头开始完成一次定向分子生成任务？以下是一个详细的实操流程。

4.1 环境准备与数据预处理

步骤1：环境搭建

# 创建并激活conda环境 conda create -n moldiff python=3.9 conda activate moldiff # 安装核心依赖：PyTorch (带CUDA)， PyG (图神经网络库) pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 pip install torch-geometric # 安装平台特定依赖（假设项目提供requirements.txt） git clone <platform_repo_url> cd <platform_name> pip install -r requirements.txt

注意：务必检查PyTorch和CUDA版本的兼容性。torch-geometric的安装可能需要额外步骤，如安装torch-scatter等配套库。

步骤2：训练数据准备平台通常需要两种数据：

1. 3D分子构象数据集：如GEOM-Drugs。你需要下载其SDF文件。
2. 条件数据：根据你的任务准备。
   • 对于靶点生成：准备靶点蛋白的PDB文件，并用fpocket等工具提取口袋坐标和残基信息，保存为平台指定的格式（如.npz文件，包含网格坐标和特征）。
   • 对于性质优化：需要计算数据集中每个分子的目标性质（如用RDKit计算QED, LogP等）。

预处理脚本示例：

import rdkit.Chem as Chem from rdkit.Chem import AllChem import numpy as np def process_sdf_to_npy(sdf_file, output_npy): suppl = Chem.SDMolSupplier(sdf_file) coords_list, features_list = [], [] for mol in suppl: if mol is None: continue # 获取3D坐标 conf = mol.GetConformer() coords = conf.GetPositions() # [N, 3] # 获取原子特征（例如原子类型one-hot） atom_features = [] for atom in mol.GetAtoms(): atom_type = atom.GetAtomicNum() # 简单示例：只考虑C, N, O, F, 其他归为‘其他’ feat = np.zeros(5) if atom_type == 6: feat[0]=1 # C elif atom_type == 7: feat[1]=1 # N elif atom_type == 8: feat[2]=1 # O elif atom_type == 9: feat[3]=1 # F else: feat[4]=1 # Other atom_features.append(feat) atom_features = np.array(atom_features) # [N, 5] coords_list.append(coords) features_list.append(atom_features) # 保存为字典 data_dict = {'coords': coords_list, 'features': features_list} np.save(output_npy, data_dict)

这个脚本将SDF中的每个分子转化为坐标和原子特征，保存为numpy格式供模型读取。

4.2 模型训练与微调策略

步骤3：无条件基础模型训练如果你的任务没有现成的预训练模型，需要先从大规模数据集上训练一个无条件生成模型。

python train_unconditional.py \ --data_path ./data/geom_drugs_processed.npy \ --model egnn \ --diffusion_steps 1000 \ --batch_size 32 \ --lr 1e-4 \ --epochs 500 \ --save_interval 50

关键参数解析：

• --diffusion_steps：扩散总步数T。通常1000步是平衡质量和速度的常用值。更多步数（如4000）可能质量更高但采样慢。
• --batch_size：根据GPU内存调整。分子数据中原子数N可变，通常需要动态批处理（将原子数相近的分子放一起）。
• --lr：学习率。扩散模型训练相对稳定，1e-4是常用起点。
• --model：网络架构。除了EGNN，还有GVP、SchNet等选择，EGNN在效率和效果上通常是首选。

步骤4：条件模型微调在基础模型上，加入你的条件数据（如口袋特征）进行微调。

python train_conditional.py \ --pretrained_model ./checkpoints/unconditional_epoch500.pt \ --data_path ./data/conditional_pairs.npy \ # 包含(分子, 条件)对的数据 --condition_type pocket \ # 条件类型：pocket, property, pharmacophore --condition_dim 256 \ # 条件编码的维度 --lr 5e-5 \ # 微调时学习率略低 --epochs 200

微调时，通常会冻结基础模型的部分底层参数，只训练与条件注入相关的层（如条件投影MLP），以防止灾难性遗忘。

4.3 推理生成与结果分析

步骤5：运行条件生成训练完成后，使用采样脚本生成分子。

python sample_conditional.py \ --model_checkpoint ./checkpoints/conditional_epoch200.pt \ --condition_file ./target_pocket/pocket_1.npz \ --output_dir ./generated_mols \ --num_samples 100 \ --guidance_scale 2.5 \ --steps 250 # 采样步数，可小于训练步数以加速

关键参数：

• --num_samples：生成数量。建议一次生成几百到几千个，以评估多样性。
• --guidance_scale：即前文的引导尺度s。对于性质引导，可以从1.0开始尝试，逐步增加直到性质达标，但需监控分子结构的合理性。
• --steps：采样步数。可以使用DDIM等加速采样方法，将步数从1000减少到250甚至50，能极大加快速度且质量损失不大。

步骤6：后处理与评估生成的原始坐标可能键长不合理，需要进行快速优化。

from rdkit.Chem import AllChem def optimize_conformer(mol): # 使用UFF力场进行快速几何优化 try: AllChem.UFFOptimizeMolecule(mol) return mol except: return None # 优化失败则丢弃

评估生成分子：

1. 有效性：用RDKit检查分子是否合法（Chem.SanitizeMol）。
2. 唯一性：去除重复结构（基于InChI或SMILES）。
3. 新颖性：与训练集或已知数据库（如ChEMBL）比较，确保不是简单记忆。
4. 性质分布：统计生成分子的QED、LogP、SA Score等，看是否向目标方向偏移。
5. 3D构象合理性：计算生成构象与经过更精确力场（如MMFF94）优化后的构象之间的RMSD，过大则说明生成构象不稳定。
6. 与靶点的对接（如果适用）：使用AutoDock Vina或GNINA对生成的分子与靶点口袋进行快速对接，验证结合模式和打分。

5. 常见问题、排查技巧与进阶优化

在实际操作中，你一定会遇到各种问题。下面是我在复现类似平台时踩过的坑和总结的经验。

5.1 生成分子结构不合理

问题表现：原子堆叠在一起、键长异常（如C-C键长达3Å）、环结构扭曲。排查与解决：

1. 检查训练数据质量：3D构象数据是否经过良好的优化（如用ETKDG生成，MMFF94优化）？噪声数据会导致模型学到错误几何。用RDKit可视化检查训练集中的一些分子构象。
2. 调整扩散噪声调度：噪声调度决定了加噪的强度曲线。如果初始噪声加得太快，模型可能难以学习精细的几何结构。尝试使用cosine调度代替线性调度，它在初期和末期变化更平缓。
3. 增强等变约束：确保你的EGNN实现是严格等变的。一个简单的测试：将输入分子旋转一个随机角度，经过网络前向传播后，输出的坐标增量应该以同样的方式旋转。如果不是，等变性被破坏。
4. 引入几何先验损失：在训练损失中加入额外的正则项，惩罚不合理的键长、键角。例如，可以计算生成分子中所有键长的分布，并与训练集的分布计算KL散度作为辅助损失。
5. 后处理优化：这是最直接的补救措施。对每个生成分子执行快速的力场优化（UFF/MMFF），可以修复大部分明显的几何问题。虽然这增加了步骤，但能保证输出结构的物理合理性。

5.2 条件控制失效或效果不佳

问题表现：生成的分子与输入的条件（如口袋形状、性质要求）关联性弱。排查与解决：

1. 条件信息泄露：检查在训练条件模型时，条件信息是否确实被有效地注入到了网络的每一层。一个常见技巧是使用“交叉注意力”机制，让分子特征与条件特征在多个网络层进行交互。
2. 条件编码太弱：如果条件只是简单拼接成一个全局向量，可能信息不足。对于3D口袋，考虑使用更强大的编码器，如3D Transformer或PointNet++，来提取多尺度局部特征。
3. 引导尺度不当：对于分类器引导，尺度s是关键。设置一个验证集，绘制不同s值下生成分子的“目标性质达成率”和“结构多样性（如平均Tanimoto相似度）”的曲线，选择拐点处的s值。
4. 预测器-生成器分布不匹配：如果性质预测器是在干净分子上训练的，而引导时输入的是带噪声的中间状态x_t，会导致梯度不准。解决方法是训练一个噪声感知的分类器，即在训练预测器时，也对其输入分子施加不同强度的噪声，使其学会在任意噪声水平下预测性质。
5. 尝试无分类器引导：这是另一种更优雅的引导方式。它在训练时随机丢弃条件（以一定概率将条件向量置零），这样同一个模型既会无条件生成，也会条件生成。在采样时，通过调整条件嵌入的权重来实现引导。这种方式通常更稳定，且不需要单独训练分类器。

5.3 生成多样性不足或模式坍塌

问题表现：生成的分子结构高度相似，缺乏新颖性。排查与解决：

1. 检查采样随机性：确保在采样时，初始噪声x_T是随机采样的，并且逆向过程的每一步都加入了随机噪声（如果是随机采样器如DDPM）。如果使用了确定性采样器（如DDIM），尝试降低eta参数以引入随机性。
2. 数据增强：在训练时，对输入分子的3D构象进行随机的旋转和平移。虽然等变网络理论上不受影响，但数据增强能进一步提升模型对不同空间朝向的鲁棒性，间接促进多样性。
3. 调节温度参数：在预测原子类型（离散特征）时，有一个“温度”参数控制分布的尖锐程度。温度越低，模型越自信，但可能趋于生成相同的最可能原子；温度越高，随机性越大。尝试在0.5到1.2之间调节这个温度。
4. 多样性损失：在训练目标中引入一个鼓励多样性的项。例如，可以最小化同一批次内生成分子在隐空间特征上的余弦相似度。但这会加大训练难度，需谨慎调整权重。

5.4 计算效率与内存瓶颈

问题表现：训练或采样速度慢，GPU内存溢出。优化策略：

1. 使用混合精度训练：现代PyTorch支持AMP自动混合精度，能显著减少内存占用并加速训练，对扩散模型效果显著。

   from torch.cuda.amp import autocast, GradScaler scaler = GradScaler() with autocast(): loss = model(...) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update()

2. 梯度检查点：对于很深的EGNN网络，可以使用torch.utils.checkpoint来用计算时间换内存空间。
3. 减少采样步数：使用DDIM或PLMS等加速采样方法。通常50-250步就能获得不错的结果，比1000步快一个数量级。
4. 分块生成大分子：对于原子数超过100的大分子，可以考虑先生成一个骨架（ scaffold ），再逐步添加侧链，或者使用层次化扩散模型。

5.5 进阶优化与探索方向

当你解决了基本问题后，可以考虑以下方向进一步提升平台能力：

1. 多目标优化：同时优化多个性质（如活性、溶解度、代谢稳定性）。这可以通过加权求和多个性质的梯度，或者使用帕累托优化的思路，生成一系列在多个目标间取得不同平衡的分子。
2. 结合主动学习：将生成、评估、再训练的循环自动化。用初始模型生成一批分子，用更精确但昂贵的方法（如分子动力学模拟、高精度量化计算）评估其中一小部分，将这些高质量的数据反馈给模型进行微调，如此迭代，让模型越学越聪明。
3. 融入合成可及性约束：在扩散过程中，引入基于反应规则的约束，确保生成的分子是可以通过已知化学反应步骤合成的。这可以通过在原子特征中加入“可反应性”标签，或在损失函数中惩罚难以合成的子结构来实现。
4. 探索离散-连续混合扩散：当前平台主要处理连续坐标和离散原子类型。更前沿的工作开始探索化学键的生成，这需要将键的连接性也作为扩散过程的一部分，构建真正的3D分子图。

这个模块化3D分子扩散生成平台，与其说是一个工具，不如说是一个开放的“分子设计实验室”。它的模块化特性意味着你有无数的组合方式去探索新的药物设计范式。从我自己的使用经验来看，最大的挑战往往不是调参，而是如何将药物化学家的领域知识，有效地“翻译”成模型能理解的条件信号。这需要计算化学家和领域专家紧密合作。一开始，生成的结果可能不尽如人意，但通过迭代调整条件编码、引导策略和后处理流程，你会逐渐让这个AI建筑师理解你的设计语言，最终成为你探索浩瀚化学空间、发现全新先导化合物的强大伙伴。