双空间优化：潜在提示变换提升分子序列设计
内容提要
本文综述基于潜空间的分子设计方法，核心提出潜在提示Transformer模型：以Unet建模潜向量先验，因果Transformer根据潜向量生成分子字符串，非线性回归预测属性；训练后逐步将分布转向目标属性区域，在多个基准任务上达到最优。相关研究涉及能量模型、图卷积、多视图融合、贝叶斯优化、肽设计及半监督变分自编码器。
延伸解读
潜在提示Transformer的架构解析
该模型由三部分组成：Unet将高斯白噪声转换为潜在向量，建模其先验分布；因果Transformer以潜在向量为提示生成分子字符串；非线性回归模型从潜在向量预测目标属性。这种设计将生成与预测解耦，通过潜在空间连接，使模型能灵活适应不同优化目标。
逐步分布转移的优化策略
训练后，模型并非直接生成目标分子，而是逐步将分布转向支持所需属性值的区域。这种渐进式方法避免了直接优化中的不稳定问题，类似于能量模型中的逐步分布转移采样，有助于在保持分子合理性的同时逼近目标属性。
在分子设计领域的性能表现
在多个基准分子设计任务上，该模型达到了最先进的性能。与基于图卷积、多视图融合或贝叶斯优化的方法相比，潜在提示Transformer通过潜在空间提示和分布转移，在生成具有目标化学或生物特性的分子方面展现出优势，为计算药物发现提供了新思路。
Q&A
潜在提示Transformer模型由哪几个部分组成？
该模型由三个部分组成：(1) 潜在向量，其先验分布由高斯白噪声向量的Unet转换建模；(2) 分子生成模型，采用因果Transformer，将潜在向量作为提示生成基于字符串的分子表示；(3) 属性预测模型，通过非线性回归基于潜在向量预测分子的目标属性值。
潜在提示Transformer如何实现分子设计？
在对现有分子及其属性值进行初始训练后，逐渐将模型分布转移到支持所需目标属性值的区域，从而进行分子设计。
潜在提示Transformer在分子设计任务上的表现如何？
实验证明，该模型在几个基准分子设计任务上实现了最先进的性能。
有哪些其他基于潜在空间的分子设计方法？
文章提到了多种方法，包括基于能量模型和逐步分布转移采样算法（SGDS）的生成模型、利用图卷积网络提取目标位点特征的方法、多视图方法结合MHG-GNN和MoLFormer嵌入、基于结构耦合核的贝叶斯优化方法LADDER、肽设计结构LSATC、半监督主动学习方法、分子表示学习框架、基于神经网络和自动编码器的LIMO模型以及半监督变分自编码器模型。
潜在提示Transformer中的属性预测模型是如何工作的？
属性预测模型根据潜在向量上的非线性回归来预测分子的目标属性值。
潜在提示Transformer中的分子生成模型有什么特点？
分子生成模型采用因果Transformer模型，将潜在向量作为提示，生成基于字符串的分子表示。
