跳轉到

10.2 機器學習中的化學空間：分子的向量化與性質預測模型#

10.2.1 「化學空間」：從隱喻到度量空間#

化學家長說「化學空間廣達 \(10^{60}\) 個可能藥物分子」，但空間要 成為數學物件需要三要素：點（分子的表示）、座標（向量化）、 度量（距離/相似度）。10.1 已給出前兩者的離散版本；本節把它 推廣到實向量空間 \(\mathbb{R}^d\) ，並建立「座標 → 距離 → 預測」 的完整管線。歷史上這條管線分三波成形：

  1. 1980s–1990s：手工描述子 + 線性回歸（Hansch 分析、 Wiener/Randić 指數、主成分分析 PCA）；
  2. 2000s：指紋 + 相似性搜尋 + 支援向量機（SVM）、隨機森林；
  3. 2017–今：端到端表示學習——Mol2vec、SMILES 語言模型、 訊息傳遞神經網路（MPNN）、以及超越 WL 上界的幾何深度學習。

10.2.2 從指紋到連續向量：描述子矩陣#

定義 10.3（描述子矩陣） 設分子庫含 \(N\) 個分子、每個分子 \(m\) 個描述子 \(x_1, \dots, x_d\) （拓撲指數、電子描述子、指紋位元 等），構成矩陣 \(X \in \mathbb{R}^{N \times d}\) 。性質目標向量 \(y \in \mathbb{R}^N\) （如溶解度 \(\log S\) 、熔點、毒性）。

性質預測（QSPR/QSAR）即求映射 \(\hat{y} = f(\mathbf{x})\) ，最小化

\[ \min_{f} \sum_{i=1}^{N} \big(y_i - f(\mathbf{x}_i)\big)^2 + \lambda\, \Omega(f), \]

正則項 \(\Omega\) 抵抗「描述子多、樣本少」的過擬合——化學資料的 典型困境（ \(N \sim 10^3\) ， \(d \sim 10^3\) – \(10^4\) ）。

主成分分析（PCA） 是第一層「化學空間導航」：對中心化的 \(X\) 做奇異值分解 \(X = U \Sigma V^\top\) ，前兩主成分 \((U_1 \Sigma_1, U_2 \Sigma_2)\) 構成化學家的「世界地圖」—— 藥物化學家在上面觀察：已知藥物聚集成簇、天然產物佔據不同區域、 商業庫的覆蓋漏洞在哪裡。

10.2.3 度量學習與相似性原理#

相似性原理（Similarity Property Principle, Johnson & Maggiora 1990）：結構相似的分子傾向有相似的性質。數學化：

命題 10.1 若性質函數 \(f\) 在表示空間中 Lipschitz 連續， \(\lvert f(x) - f(x')\rvert \le L\, d(x, x')\) ，則相似分子 （ \(d\) 小）性質必相近。表示學習的全部目標，就是找到一個讓 \(f\) 盡量平滑（ \(L\) 小）的嵌入。

失敗案例即是警示：活動懸崖（activity cliff）——兩分子僅差 一個甲基卻活性相差百倍，表示在該表示空間中 \(f\) 不平滑。 活動懸崖的存在驅動了表示法的持續演化：從 2D 拓撲指紋到 3D 藥效形狀，再到可微分的等變神經網路。

10.2.4 訊息傳遞神經網路：可微分的 Morgan 演算法#

MPNN（Gilmer et al. 2017） 把 10.1 的 Morgan 迭代改成 可學習版本。每個原子有隱狀態 \(h_i^{(t)} \in \mathbb{R}^{d_h}\) ：

\[ m_i^{(t+1)} = \sum_{j \in \mathcal{N}(i)} M_t\big(h_i^{(t)}, e_{ij}, h_j^{(t)}\big), \qquad h_i^{(t+1)} = U_t\big(h_i^{(t)}, m_i^{(t+1)}\big), \]

讀出層 \(R\) 匯聚所有原子狀態得到分子向量：

\[ \hat{y} = R\big(\{h_i^{(T)}\}_{i \in V}\big). \]

與 Morgan 的對照一目了然： \(M_t\) 是可學習的「鄰居聚合」， \(h_i\) 是連續版的 WL 標籤， \(T\) 輪對應半徑 \(T\) 的鄰域。由 定理 10.2，MPNN 的表達力被 WL 測試封頂；突破方向包括：

  • 位置/距離編碼（Laplacian eigenvectors，即 08.2 的 拉普拉斯譜重出現為「分子的座標系」）；
  • 等變網路（E(3)-equivariant GNN，如 SchNet、PaiNN、 NequIP）：預測對平移、旋轉不變，對向量量（力）協變—— 這是將物理對稱性直接寫進架構，源頭正是 09.1 的對稱群思想。

10.2.5 化學實例：線性模型與隨機森林預測烷烴沸點#

import numpy as np

def wiener(n_atoms, bonds):
    adj = [[] for _ in range(n_atoms)]
    for i, j in bonds:
        adj[i].append(j); adj[j].append(i)
    W = 0
    for s in range(n_atoms):
        dist = [-1]*n_atoms; dist[s] = 0; q = [s]
        while q:
            u = q.pop(0)
            for v in adj[u]:
                if dist[v] < 0:
                    dist[v] = dist[u]+1; q.append(v)
        W += sum(dist)
    return W // 2

def descriptors(n_atoms, bonds):
    """簡化描述子: [碳數, 分支度, Wiener^(1/3), W修正項]"""
    W = wiener(n_atoms, bonds)
    P = n_atoms * (n_atoms - 1) * (n_atoms + 1) // 6   # 直鏈最大 W
    branching = 1 - W / P                               # 0=直鏈, 越大越分支
    return [n_atoms, branching, W**(1/3), W * branching]

# C5–C8 烷烴訓練資料（沸點, °C）
data = [
    (5, [(0,1),(1,2),(2,3),(3,4)], 36.1),                       # 正戊烷
    (5, [(0,1),(0,2),(0,3),(3,4)], 27.8),                       # 異戊烷
    (5, [(0,1),(0,2),(0,3),(0,4)], 9.5),                        # 新戊烷
    (6, [(0,1),(1,2),(2,3),(3,4),(4,5)], 68.7),                 # 正己烷
    (6, [(0,1),(1,2),(3,4),(4,5),(2,3),(2,5)], 63.3),           # 2,3-二甲基丁烷
    (7, [(i, i+1) for i in range(6)], 98.4),                    # 正庚烷
    (8, [(i, i+1) for i in range(7)], 125.7),                   # 正辛烷
]

X = np.array([descriptors(n, b) for n, b, _ in data])
y = np.array([bp for _, _, bp in data])
w, *_ = np.linalg.lstsq(X, y, rcond=None)      # 最小平方回歸

# 內插測試：3-甲基戊烷（C6）
test_bonds = [(0,1),(1,2),(2,3),(3,4),(2,5)]
x = np.array(descriptors(6, test_bonds))
print("回歸係數:", np.round(w, 3))
print(f"3-甲基戊烷 沸點預測: {x @ w:.1f} °C（實驗值 63.0 °C）")

討論：四個描述子中，碳數提供主趨勢、分支度提供修正—— 正是 08.3 中 Wiener 極值定理的實用化。此例說明 QSPR 的本質： 用有物理詮釋的少量描述子 + 簡單模型，勝過黑箱巨模型， 當資料只有幾十筆時尤其如此（化學實驗數據的常態）。

10.2.6 從預測到生成：化學空間的反向導航#

預測模型 \(f: \mathbf{x} \mapsto y\) 的逆問題——「找出 \(y\) 達標的 分子」——催生了生成模型：變分自編碼器（ChemVAE, Gómez- Bombarelli 2018，把 SMILES 編碼到連續潛空間後再解碼）、擴散 模型、以及以強化學習在潛空間中搜尋。數學上這是在表示空間中 做最佳化，其成敗仍取決於表示是否讓性質函數平滑（命題 10.1）。 化學空間於是完成了一個循環：Euler 與 Cayley 的離散拓撲 → Wiener 的單一數字 → 2048 位元指紋 → \(\mathbb{R}^d\) 連續幾何 → 可微分的生成式地圖。

10.2.7 章末小結#

  1. 化學空間 = 點（分子表示）+ 座標（描述子/嵌入）+ 度量 （Tanimoto 或學習到的距離）；PCA 提供第一張「世界地圖」。
  2. 相似性原理的數學形式是 Lipschitz 平滑；活動懸崖是其失敗 訊號，驅動表示法的演化。
  3. MPNN 是可微分版 Morgan/WL 演算法，表達力上界為 WL 測試； 拉普拉斯特徵向量作為位置編碼，讓 08.2 的譜理論在深度學習 中重生。
  4. 生成模型把性質預測反轉為空間導航——化學空間從統計地圖 進化為可微分的設計畫布。

下一步：第 10 章處理的是靜態的結構—性質關係。第 11 章轉向 分子的動態與統計系綜：11.1 介紹 Boltzmann 分佈與配分函數， 說明為什麼「 \(e^{-E/kT}\) 」是熱力學與統計力學之間的橋樑。