说实话，现在的3D分子生成领域简直卷出天际。

Diffusion已经被大家玩烂了，Flow Matching也渐渐让人审美疲劳。我们都在焦虑地观望：在这个后Diffusion时代，除了堆算力和加层数，数学上还有没有新活可整？难道只能坐等Transformer一统天下？

今天这篇ICLR 2025的DrugFlow，恰恰就是在这个时间节点上，给我们打了一针强心剂。这篇来自EPFL（Bruno Correia组） 和Oxford（Michael Bronstein组） 两大豪门的联手之作，并没有抛出一个全新的不知名名词，而是极其硬核地向我们展示了：当流匹配（Flow Matching）、马尔可夫桥（Markov Bridges）和黎曼流形（Riemannian Manifolds） 这三者合体时，会发生什么？

我们读这篇Paper，不是为了看它刷榜，而是为了搞清楚：这种"连续+离散+流形"的混合数学架构，会不会就是下一代生成模型的终极形态？所谓的"桥（Bridge）"到底是不是接棒Diffusion的下一个风口？

来，让我们带着"找茬"和"寻宝"的心态，拆解一下这篇集大成者。

1.开始之前：小白也能懂的"生成式桥梁学"（Generative Bridges 101）

在深度学习里，我们经常听到Diffusion（扩散）。普通的Diffusion就像是一个醉汉走路（Random Walk）：

前向（Forward）：醉汉从酒吧（真实数据分布）出发，越走越远，最后倒在路边草丛里（纯高斯噪声）。

反向（Reverse）：我们训练一个神经网络（警察），试图把醉汉从草丛里一步步扶回酒吧。

那么，什么是"桥（Bridge）"呢？

1.1 什么是"桥"（The Bridge）？

通俗解释：普通的随机过程是"管杀不管埋"，只管起点，终点听天由命。而"桥"是一种被强行约束了两端的随机过程。这就好比：醉汉从酒吧出来（t=0），但他老婆下了死命令，不管你中间怎么晃悠，t=1时必须准点出现在家门口。这种"起点固定、终点也固定"的路径，在数学上就叫"桥"。

专业定义：给定随机过程X_t，如果我们在已知X₀=a的条件下，再附加一个条件 X_T = b，那么在这个条件概率下的过程{X_t | X₀=a, X_T=b}就称为桥。

1.2 什么是扩散桥（Diffusion Bridge）？

通俗解释：我们在做图像生成时，通常是一端是噪声，一端是图像。普通的Diffusion是：我先假装把图像加噪变成噪声，再学着反悔。而Diffusion Bridge更像是一种"定向运输"。比如我想做"图像翻译"（把斑马变成马）：

t = 0：斑马的分布

t = 1：马的分布

Diffusion Bridge：直接学习一种扩散过程，让像素点从斑马的状态，平滑地漂移到马的状态。它不再必须从中途的"纯噪声"过境，而是直接连接两个分布。

本质：它是求解两个概率分布之间变换的SDE（随机微分方程）解。

1.3 什么是Markov Bridge（本文用到的概念）？

Markov Bridge不完全等于Diffusion Bridge，但在广义上它们是一家人。

区别在于数据类型：

通常说的Diffusion/Score-based Bridge处理的是连续数据（Continuous），比如像素值、原子坐标（0.5, 1.2, -3.4）。即使加了噪声，它还是个连续的数值。

Markov Bridge（特指Discrete Bridge）处理的是离散数据（Discrete/Categorical），比如：这个原子是"碳"还是"氮"？这个键是"单键"还是"双键"？

通俗解释DrugFlow里的Markov Bridge：想象你要把单词"CAT"变成"DOG"。

在连续空间（Diffusion），你可以把C慢慢变模糊，像墨水晕开一样变成D。

在离散空间（Markov Bridge），你不能有"半个C"。原子类型的变化是跳跃的（Jump）。

Markov Bridge的做法：我在t=0时有一个起始状态（比如真实原子类型），在t=1时有一个目标状态。我在中间的时间点建立一座桥，计算在t时刻，这个原子从"碳"跳变为"氮"、"氧"或者保持不变的概率转移矩阵。

它的数学工具不是SDE（随机微分方程），而是Rate Matrix（速率矩阵）和Master Equation（主方程）。

关键区别：与Diffusion"从数据到噪声再回来"不同，Markov Bridge可以直接在两个有意义的离散状态之间建立桥梁，不需要经过"纯噪声"中转站。这也是DrugFlow能高效处理离散原子/键类型的数学基础。

2.引入与背景（Hook）

痛点场景化：现在的AIDD工程师在做SBDD（基于结构的药物设计）时，经常面临一种"精神分裂"的痛苦。

如果你用Diffusion做分子生成，原子坐标算得挺准，但生成的原子类型经常乱填（比如给碳连了5条腿）。

如果你用自回归模型（像写句子一样生成分子），化学效度高了，但3D结构往往扭曲得没眼看。

更别提，很多时候我们不仅要生成分子，还得微调蛋白口袋的侧链（Induced-fit），这时候现有的模型基本都要歇菜。

本文定位：DrugFlow是一篇"集大成者"。它不再试图用一种数学工具解决所有问题，而是承认了分子的复杂性——它既有连续的几何形状，又有离散的化学属性。于是，作者极其硬核地在一个模型里融合了三种不同的数学流派。这是一篇真正想解决"多模态物理约束"的落地级论文。

3.方法论的"去黑盒化"解读（The Logic）

别被公式吓到了，DrugFlow的核心逻辑其实非常直观。想象你在指挥一个交响乐团，弦乐（坐标）、管乐（原子类型）和打击乐（侧链角度）各有各的乐谱，但必须在你的指挥棒下完美同步。

Input / Output

输入：蛋白口袋结构（Cα坐标 + 氨基酸类型 + 残基内所有原子的相对位置向量）

输出：配体的3D坐标、原子类型、化学键类型，以及（划重点）口袋侧链的构象变化

核心直觉：Flow Matching + Markov Bridge

为了处理三种不同的数据类型，作者没有强行用一种算法套所有，而是搞了个"混合三打"：

a.对于坐标（连续，）：使用Euclidean Flow Matching（欧氏流匹配）。你可以把它理解为比Diffusion更直球的生成方式。Diffusion是醉汉走路，跌跌撞撞去噪；Flow Matching则是试图拉一条直线（或近似直线），直接把高斯噪声"平滑传输"到目标分子结构。

b.对于原子/键类型（离散，Categorical）：使用Markov Bridge Model。这就好比我们在两个离散状态（比如训练数据中的真实原子类型分布）之间架了一座概率桥梁，让状态在时间轴上按照精心设计的转移概率演变。

c.对于侧链角度（周期性，Torus ）：使用Riemannian Flow Matching。因为角度是360度循环的（环面/超环面），不能用普通的欧式距离，作者在流形上定义了测地线流匹配，专门用来预测蛋白侧链的角。

Figure 1：左边展示了输入的三种数据流：坐标（连续，从高斯先验出发）、类型（离散，从均匀或边缘分布先验出发）、角度（环面，从均匀先验出发）。中间的核心网络是一个等变的异构GNN（基于GVP），它同时输出速度场（Velocity，用于更新坐标和角度）和类型预测logits（用于计算Markov Bridge的转移概率）。右边展示了那个很聪明的"Virtual Node"机制。

两个让人眼前一亮的巧思

自带"裁剪刀"的Virtual Node

为了解决"原子数定死"的问题，作者引入了一个虚拟节点（Virtual Node）类型。模型在生成过程中，可以把某些原子标记为"虚拟的"（即不存在）。这就好比给了模型一把剪刀，它发现原子太多挤不进口袋时，就把多余的原子"剪掉"。虚拟节点的坐标被设定在配体质心位置，为网络提供了一个明确的回归目标。这让DrugFlow实现了端到端的尺寸自适应，无需额外的Size Predictor。

内生不确定性估计（Uncertainty Head）

作者给模型加了一个简单的回归头，预测当前步骤Flow Matching回归误差的方差\sigma^2。通过最大化似然函数推导出的损失函数（Eq. 1），不需要额外的OOD数据训练，这个方差自然就学会了识别模型"不确定"的区域。最终的不确定性分数通过沿采样轨迹积分得到（Eq. 2）。

网络架构：一个GNN如何同时吐出连续和离散输出？

到底什么样的神经网络能同时吐出"原子坐标（连续向量）"和"原子类型（离散概率）"？是不是搞了三个分开的网络？

并不是。 作者设计了一个非常精巧的Equivariant Heterogeneous GNN（等变异构图神经网络）作为共享骨干（Backbone）。

Figure 6：这张图展示了DrugFlow的"微观操作"。它不是普通的GNN，而是基于GVP (Geometric Vector Perceptrons) 思想的架构。

核心设计要点：

a.双流处理（Scalar & Vector）：网络内部一直维护着两套数据流——标量特征h（如原子类型Embedding、时间步编码）和向量特征v（如坐标差\Delta x、原子到残基内其他原子的方向向量）。标量负责"化学属性"，向量负责"几何结构"。

b.异构图设计（Heterogeneous）：四种边类型（L▷L配体内、P▷P蛋白内、L▷P、P▷L）各有独立的消息传递权重。蛋白节点用残基级别表示（以Cα为坐标），但通过向量特征保留了全原子信息。

c.等变性保证：所有作用在向量上的操作都通过GVP实现，确保预测的速度场在全局旋转/平移下正确变换。

d.输出分流：同一个骨干网络最后分出多个输出头——坐标速度场v_θ(x_t, t)、角度速度场v_θ(\chi_t, t)、原子类型logits^{^}h_t、键类型logits \hat{e}t，以及可选的不确定性\hat{\sigma}。

4.【掘金时刻】那些论文里没明说，但极具参考价值的Tricks

读代码和Appendix才能发现的工程细节，往往比正文更值钱。我为大家挖掘了以下3个"Model Engineering Highlights"：

Trick 1：基于距离截断的图构建（Distance-Cutoff Graph）

DrugFlow的图构建策略值得关注：

配体原子间：完全连接（complete graph），因为任意两个原子之间都可能形成化学键

蛋白-配体间、蛋白-蛋白间：基于10Å距离截断动态构建边，平衡了计算效率和信息传递范围

这种设计让模型在每个采样步骤都能根据当前原子位置更新蛋白-配体的交互图，捕捉到随着生成过程逐渐形成的局部化学环境。

Trick 2：虚拟节点的"幽灵状态"（The Virtual Node Trick）

关于原子数自适应，文中有一个细节处理很棒：

操作：设定一个最大虚拟节点数N{max}（论文中=10）。训练时随机添加n{virt} \sim U(0, N_{max})个虚拟节点。

坐标设定：虚拟节点的坐标放在配体质心位置，为网络提供明确的回归目标。

类型演变：Markov Bridge不仅学习碳、氮、氧之间的跳变，还学习"真实原子"与"虚拟（不存在）"之间的跳变。

推理时：如果采样结束时某个节点的类型是Virtual，直接丢弃。

这把"尺寸预测"内化为"类型预测"的一部分，非常优雅。但注意：N_{max}=10意味着模型最多只能自适应调整约±5个原子，对于需要生成大分子（如PPI抑制剂）的场景可能不够用。

Trick 3：黎曼流形上的多项式调度器（Polynomial Scheduler for Torus）

对于侧链角度的流匹配，作者使用了一个多项式调度器\kappa(t) = (1-t)^k（k=3），控制测地线距离的收缩速率：

相比指数调度器\kappa(t) = e^{-ct}，多项式调度器严格满足边界条件\kappa(0)=1, \kappa(1)=0，理论上更为严谨。这个小改动对采样质量有显著提升。

5.实验结果的"侦探式"分析（The Evidence）

作者在CrossDocked数据集上进行了测试（100K训练对，100个测试蛋白）。比起那些只盯着Vina Score看的论文，这篇论文的Evaluation显得格外"清流"——它核心关注的是分布学习能力，而非绝对指标刷榜。

作者的核心观点：生成模型的目标是学习数据分布，而非超越数据分布。没有额外微调或采样策略的情况下，期望模型大幅超越训练集的指标是不合理的。

证据一：不仅要分高，还要"像样"

作者大量使用了Wasserstein距离和Jensen-Shannon散度来衡量生成分子的属性分布与真实药物分布的差异。

Table 1 & 3：JSD_all是QED、SA、logP、Vina efficiency四个属性联合分布的JS散度。

结果显示，DrugFlow生成的分子的键长、键角分布，几乎完美复刻了真实分子。这听起来很简单？其实很难！很多Diffusion模型生成的分子虽然对接分高，但一看结构，各种扭曲的键长，根本造不出来。DrugFlow在Fréchet ChemNet Distance（FCD）上也以4.28的成绩完爆其他方法（12-14），说明它覆盖了更多化学空间的modes。

证据二：不确定性 = 避雷针

这是我觉得最性感的一个实验结果。

Figure 2解读：

Panel A：同样大小（30个重原子）的分子，高/低不确定性样本的可视化。每个原子按其局部不确定性着色。

Panel B：键长/键角分布的直方图，颜色编码表示平均不确定性。分布尾部（异常值）的不确定性显著更高，说明模型"知道"这些样本不太靠谱。

Panel C：全局不确定性与Gnina efficiency（r=-0.73）和分子大小（r=0.88）的相关性。

Panel D：发生碰撞（Clash）的原子具有显著更高的不确定性。这意味着模型自己其实"知道"这个原子放这儿不对劲。

工业价值：我们可以直接用这个不确定性来过滤掉那些不靠谱的生成结果，而不用去跑昂贵的MD或FEP。但需要注意，这个不确定性估计的是Flow Matching预测误差的方差，它能反映模型的"熟悉程度"，但不能替代真正的binding affinity不确定性评估。

证据三：让蛋白"动"起来（FlexFlow）

作者展示了扩展版本FlexFlow的能力。在给定配体结构固定的条件下，FlexFlow能把原本relaxed的侧链重新采样到结合态的构象，RMSD中位数只有1.75Å（相比relaxed apo的1.98Å有显著提升）。

Figure 4解读：

Panel A：三种情况下的侧链RMSD分布——随机先验（很差）、relaxed apo（1.98Å）、FlexFlow生成（1.75Å）。

Panel B：三种大体积氨基酸（Arg, Lys, Trp）的\chi_1-\chi_2角度分布。FlexFlow样本（黑线）与训练集晶体结构（蓝色等高线）高度一致，正确捕捉了rotamer modes。

这证明了模型真的学到了一定程度的"诱导契合"物理规律，而不是死记硬背。

证据四：偏好对齐（Preference Alignment）

作者还顺手把LLM里的DPO（Direct Preference Optimization） 搬了过来，用来优化QED、SA、Vina efficiency和REOS过滤通过率。

Figure 5解读：偏好对齐（红色）在所有四个指标上都超越了简单的Fine-tuning（蓝色）和基准模型（绿色）。组合偏好对齐（虚线）也表现出色。

关键创新点是：作者同时在Flow Matching（连续）和Markov Bridge（离散）两个框架上应用了DPO，实现了真正的多域偏好对齐（MDPA）。不需要复杂的强化学习，直接用对比数据微调，效果拔群。

6.点评：优势、局限与避坑指南（The Verdict）

优势（Pros）

物理直觉极佳：通过"多域分布学习"，DrugFlow不仅仅是在生成图，而是在生成符合物理约束的3D实体。键长、键角分布的高保真度是最好的证明。

评价范式革新：作者力推"分布学习质量"而非"绝对指标刷榜"的评价方式，这对整个领域都有指导意义。用Wasserstein距离和FCD评价生成模型，比直接比Vina Score更科学。

工程化细节满分：Virtual Node、Uncertainty Head、MDPA等设计都非常实用，代码开源（GitHub），复现友好。

FlexFlow开创性：虽然只是侧链柔性，但这是SBDD生成模型首次认真处理蛋白构象采样问题。

局限与槽点（Cons & Risks）

a."虚拟节点"的上限：虽然Virtual Node很聪明，但在训练时，作者只设置了N{max}=10。这意味着模型最多只能自适应调整约±5个原子。如果你初始给的原子数严重过剩（比如给个100原子的框去填一个小口袋），模型还是会两眼一抓瞎（见Figure 3B）。对于PPI抑制剂等大分子场景，可能需要增大N{max}。

b.骨架还是刚性的：FlexFlow虽然让侧链动了，但蛋白Backbone（主链）还是死的。在处理那些Loop区大尺度运动的靶点（比如激酶的DFG-in/out切换、GPCR的TM螺旋运动）时，这个模型依然无能为力。

c.FlexFlow的条件依赖：Figure 4A的实验是固定配体采样侧链，而非真正的配体-蛋白协同采样。当配体骨架与训练集差异很大时，侧链响应可能不准确。

d.没有实验验证：所有评价都是计算指标，没有prospective的binding assay或cell assay验证。这是整个SBDD领域的通病，但作为"落地级论文"的定位，缺少实验数据是一个遗憾。

e.数据集偏差问题：CrossDocked本身存在cross-docking artifacts，很多pose质量堪忧。虽然作者用PoseBusters过滤了训练集，但"垃圾进垃圾出"的风险依然存在。不确定性估计的意义之一，正是帮助识别这些问题区域。

工业界落地建议

别拿来做大规模虚拟筛选：杀鸡焉用牛刀，算力烧不起。DrugFlow每生成一个分子需要500步采样，比autoregressive方法慢很多。

最适合场景：Hit-to-Lead阶段的骨架跃迁（Scaffold Hopping）。当你有一个大致的结合模式，想要保持关键相互作用但换个骨架，并且希望能处理口袋微小的侧链调整时，DrugFlow/FlexFlow是可以尝试的工具之一。

利用Uncertainty：一定要把那个不确定性输出利用起来，作为一个免费的粗筛Filter，可以帮你省下大量后续对接和FEP的计算资源。但记住，它不能替代binding affinity的精确计算。

考虑偏好对齐：如果你有明确的优化目标（比如提高SA、降低毒性alerts），MDPA提供了一个比RL更稳定的微调方案。

7.思考与未来（Takeaway）

DrugFlow告诉我们，未来的AIDD模型一定不是"黑盒"的暴力美学，而是"物理几何 + 深度学习"的精细化融合。

三个值得关注的趋势：

a.多域生成成为标配：分子本身就是连续（坐标）+离散（类型）+周期性（角度）的混合体，未来的模型必须能原生处理这种混合数据。

b.Bridge > Diffusion？：Schrödinger Bridge / Markov Bridge这些听起来高大上的数学名词，正在快速进入落地阶段。相比Diffusion"必须经过纯噪声"的设定，Bridge的"两端都有意义"可能是更自然的建模方式。作为算法工程师，现在去补一补随机过程和最优传输（Optimal Transport） 的课，绝对是保值增值的最佳投资。

c.蛋白柔性不可回避：FlexFlow只是开始。未来的SBDD模型必须能处理Backbone运动、Loop sampling、甚至allostery。这需要和蛋白结构预测/动力学模拟领域更深度的交叉。

8.深度Q&A

Q1: DrugFlow号称"分布学习器"，但它真的学到了蛋白-配体相互作用的物理本质吗？还是只是一个高级的数据过拟合器？

部分学到了，但有限。

支持"学到物理"的证据：clash原子的不确定性显著更高（Figure 2D），说明模型学会了避免空间碰撞；键长键角分布高度还原真实分子。

但更诚实的判断是：DrugFlow更像一个高保真的数据分布复制器。它学到的是"训练集里的分子长什么样"，而非"为什么这样的分子能结合"。真正的物理理解需要prospective实验验证——目前一个都没有。

启发：评价生成模型时，"分布匹配得好"≠"理解了底层物理"。前者是统计相关，后者需要因果验证。

Q2: 不确定性估计听起来很美，但它估计的是Flow Matching回归误差，这和"药物设计的不确定性"是一回事吗？

不是一回事，但有交集。

DrugFlow的不确定性反映的是：模型对当前输入的"熟悉程度"（认识论不确定性）。它能告诉你"这个区域我没见过"，但不能告诉你"这个分子的binding affinity误差是多少"。

真正的药物设计不确定性来源更广：力场精度、熵效应、溶剂化、蛋白柔性、off-target……这些远超flow matching误差能覆盖的范围。

实用建议：把它当粗筛过滤器用，剔除明显不靠谱的样本；但不能替代FEP/MD等下游验证。

Q3: FlexFlow让侧链"动"起来了，但这是真正的induced-fit吗？当配体骨架完全改变时，侧链响应还准吗？

是受限的induced-fit，不是通用的。

三个关键限制：

1.Backbone是死的——Loop运动、DFG翻转等大尺度变化无法处理

2.条件是单向的——实验是"固定配体采样侧链"，而非配体-蛋白协同调整

3.泛化存疑——训练数据来自holo结构，面对全新骨架的配体时，学到的响应模式可能不适用

适用场景：配体骨架与训练集相似、侧链调整幅度小（<2Å）、不涉及cryptic pocket opening。

不适用场景：全新化学空间、需要诱导loop运动、变构位点设计。

Q4: 为什么选Flow Matching而不是Diffusion？除了"更火"之外，有本质优势吗？

有，但没有宣传的那么大。

Flow Matching的真正优势：

轨迹更直：学习近似线性的传输路径，采样效率更高

训练更稳：直接回归向量场，不涉及score estimation的数值问题

理论更美：与最优传输自然衔接，有更多数学工具可用

但对于SBDD这个具体任务，Flow Matching vs Diffusion的性能差异没有想象中大。真正的提升来自：多域联合建模、Virtual Node、Uncertainty Head这些工程设计。

启发：别被数学框架的"高级感"迷惑，工程细节往往比理论选择更重要。

Q5: 所有评价都是计算指标，没有一个prospective实验验证。这篇论文的结论可信吗？

计算结论可信，药物设计价值存疑。

论文的计算实验设计是扎实的：Bootstrap统计检验、多维度分布比较、消融实验齐全。在"生成分子的统计特性是否接近训练集"这个问题上，结论是可信的。

但"统计特性接近"≠"能设计出好药"。整个SBDD生成模型领域都面临同一个尴尬：用Vina评价Vina-like的分子，本质是循环论证。

真正需要的验证：

至少一个靶点的prospective设计 + binding assay

与传统CADD方法（如SBVS+对接）的头对头比较

在全新蛋白家族上的泛化测试

结论：DrugFlow是目前最好的SBDD分布学习器之一，但它能否真正加速药物发现，jury is still out。

参考资料

Schneuing et al., "Multi-domain Distribution Learning for De Novo Drug Design", ICLR 2025.

代码：https://github.com/LPDI-EPFL/DrugFlow

---

文章改编转载自微信公众号：陷入鞍点

原文链接：https://mp.weixin.qq.com/s/8EahvDUe-tw2BYFgO28W2Q

说实话，现在的3D分子生成领域简直卷出天际。

Diffusion已经被大家玩烂了，Flow Matching也渐渐让人审美疲劳。我们都在焦虑地观望：在这个后Diffusion时代，除了堆算力和加层数，数学上还有没有新活可整？难道只能坐等Transformer一统天下？

今天这篇ICLR 2025的DrugFlow，恰恰就是在这个时间节点上，给我们打了一针强心剂。这篇来自EPFL（Bruno Correia组） 和Oxford（Michael Bronstein组） 两大豪门的联手之作，并没有抛出一个全新的不知名名词，而是极其硬核地向我们展示了：当流匹配（Flow Matching）、马尔可夫桥（Markov Bridges）和黎曼流形（Riemannian Manifolds） 这三者合体时，会发生什么？

我们读这篇Paper，不是为了看它刷榜，而是为了搞清楚：这种"连续+离散+流形"的混合数学架构，会不会就是下一代生成模型的终极形态？所谓的"桥（Bridge）"到底是不是接棒Diffusion的下一个风口？

来，让我们带着"找茬"和"寻宝"的心态，拆解一下这篇集大成者。

1.开始之前：小白也能懂的"生成式桥梁学"（Generative Bridges 101）

在深度学习里，我们经常听到Diffusion（扩散）。普通的Diffusion就像是一个醉汉走路（Random Walk）：

前向（Forward）：醉汉从酒吧（真实数据分布）出发，越走越远，最后倒在路边草丛里（纯高斯噪声）。

反向（Reverse）：我们训练一个神经网络（警察），试图把醉汉从草丛里一步步扶回酒吧。

那么，什么是"桥（Bridge）"呢？

1.1 什么是"桥"（The Bridge）？

通俗解释：普通的随机过程是"管杀不管埋"，只管起点，终点听天由命。而"桥"是一种被强行约束了两端的随机过程。这就好比：醉汉从酒吧出来（t=0），但他老婆下了死命令，不管你中间怎么晃悠，t=1时必须准点出现在家门口。这种"起点固定、终点也固定"的路径，在数学上就叫"桥"。

专业定义：给定随机过程X_t，如果我们在已知X₀=a的条件下，再附加一个条件 X_T = b，那么在这个条件概率下的过程{X_t | X₀=a, X_T=b}就称为桥。

1.2 什么是扩散桥（Diffusion Bridge）？

通俗解释：我们在做图像生成时，通常是一端是噪声，一端是图像。普通的Diffusion是：我先假装把图像加噪变成噪声，再学着反悔。而Diffusion Bridge更像是一种"定向运输"。比如我想做"图像翻译"（把斑马变成马）：

t = 0：斑马的分布

t = 1：马的分布

Diffusion Bridge：直接学习一种扩散过程，让像素点从斑马的状态，平滑地漂移到马的状态。它不再必须从中途的"纯噪声"过境，而是直接连接两个分布。

本质：它是求解两个概率分布之间变换的SDE（随机微分方程）解。

1.3 什么是Markov Bridge（本文用到的概念）？

Markov Bridge不完全等于Diffusion Bridge，但在广义上它们是一家人。

区别在于数据类型：

通常说的Diffusion/Score-based Bridge处理的是连续数据（Continuous），比如像素值、原子坐标（0.5, 1.2, -3.4）。即使加了噪声，它还是个连续的数值。

Markov Bridge（特指Discrete Bridge）处理的是离散数据（Discrete/Categorical），比如：这个原子是"碳"还是"氮"？这个键是"单键"还是"双键"？

通俗解释DrugFlow里的Markov Bridge：想象你要把单词"CAT"变成"DOG"。

在连续空间（Diffusion），你可以把C慢慢变模糊，像墨水晕开一样变成D。

在离散空间（Markov Bridge），你不能有"半个C"。原子类型的变化是跳跃的（Jump）。

Markov Bridge的做法：我在t=0时有一个起始状态（比如真实原子类型），在t=1时有一个目标状态。我在中间的时间点建立一座桥，计算在t时刻，这个原子从"碳"跳变为"氮"、"氧"或者保持不变的概率转移矩阵。

它的数学工具不是SDE（随机微分方程），而是Rate Matrix（速率矩阵）和Master Equation（主方程）。

关键区别：与Diffusion"从数据到噪声再回来"不同，Markov Bridge可以直接在两个有意义的离散状态之间建立桥梁，不需要经过"纯噪声"中转站。这也是DrugFlow能高效处理离散原子/键类型的数学基础。

2.引入与背景（Hook）

痛点场景化：现在的AIDD工程师在做SBDD（基于结构的药物设计）时，经常面临一种"精神分裂"的痛苦。

如果你用Diffusion做分子生成，原子坐标算得挺准，但生成的原子类型经常乱填（比如给碳连了5条腿）。

如果你用自回归模型（像写句子一样生成分子），化学效度高了，但3D结构往往扭曲得没眼看。

更别提，很多时候我们不仅要生成分子，还得微调蛋白口袋的侧链（Induced-fit），这时候现有的模型基本都要歇菜。

本文定位：DrugFlow是一篇"集大成者"。它不再试图用一种数学工具解决所有问题，而是承认了分子的复杂性——它既有连续的几何形状，又有离散的化学属性。于是，作者极其硬核地在一个模型里融合了三种不同的数学流派。这是一篇真正想解决"多模态物理约束"的落地级论文。

3.方法论的"去黑盒化"解读（The Logic）

别被公式吓到了，DrugFlow的核心逻辑其实非常直观。想象你在指挥一个交响乐团，弦乐（坐标）、管乐（原子类型）和打击乐（侧链角度）各有各的乐谱，但必须在你的指挥棒下完美同步。

Input / Output

输入：蛋白口袋结构（Cα坐标 + 氨基酸类型 + 残基内所有原子的相对位置向量）

输出：配体的3D坐标、原子类型、化学键类型，以及（划重点）口袋侧链的构象变化

核心直觉：Flow Matching + Markov Bridge

为了处理三种不同的数据类型，作者没有强行用一种算法套所有，而是搞了个"混合三打"：

a.对于坐标（连续，）：使用Euclidean Flow Matching（欧氏流匹配）。你可以把它理解为比Diffusion更直球的生成方式。Diffusion是醉汉走路，跌跌撞撞去噪；Flow Matching则是试图拉一条直线（或近似直线），直接把高斯噪声"平滑传输"到目标分子结构。

b.对于原子/键类型（离散，Categorical）：使用Markov Bridge Model。这就好比我们在两个离散状态（比如训练数据中的真实原子类型分布）之间架了一座概率桥梁，让状态在时间轴上按照精心设计的转移概率演变。

c.对于侧链角度（周期性，Torus ）：使用Riemannian Flow Matching。因为角度是360度循环的（环面/超环面），不能用普通的欧式距离，作者在流形上定义了测地线流匹配，专门用来预测蛋白侧链的角。

Figure 1：左边展示了输入的三种数据流：坐标（连续，从高斯先验出发）、类型（离散，从均匀或边缘分布先验出发）、角度（环面，从均匀先验出发）。中间的核心网络是一个等变的异构GNN（基于GVP），它同时输出速度场（Velocity，用于更新坐标和角度）和类型预测logits（用于计算Markov Bridge的转移概率）。右边展示了那个很聪明的"Virtual Node"机制。

两个让人眼前一亮的巧思

自带"裁剪刀"的Virtual Node

为了解决"原子数定死"的问题，作者引入了一个虚拟节点（Virtual Node）类型。模型在生成过程中，可以把某些原子标记为"虚拟的"（即不存在）。这就好比给了模型一把剪刀，它发现原子太多挤不进口袋时，就把多余的原子"剪掉"。虚拟节点的坐标被设定在配体质心位置，为网络提供了一个明确的回归目标。这让DrugFlow实现了端到端的尺寸自适应，无需额外的Size Predictor。

内生不确定性估计（Uncertainty Head）

作者给模型加了一个简单的回归头，预测当前步骤Flow Matching回归误差的方差\sigma^2。通过最大化似然函数推导出的损失函数（Eq. 1），不需要额外的OOD数据训练，这个方差自然就学会了识别模型"不确定"的区域。最终的不确定性分数通过沿采样轨迹积分得到（Eq. 2）。

网络架构：一个GNN如何同时吐出连续和离散输出？

到底什么样的神经网络能同时吐出"原子坐标（连续向量）"和"原子类型（离散概率）"？是不是搞了三个分开的网络？

并不是。 作者设计了一个非常精巧的Equivariant Heterogeneous GNN（等变异构图神经网络）作为共享骨干（Backbone）。

Figure 6：这张图展示了DrugFlow的"微观操作"。它不是普通的GNN，而是基于GVP (Geometric Vector Perceptrons) 思想的架构。

核心设计要点：

a.双流处理（Scalar & Vector）：网络内部一直维护着两套数据流——标量特征h（如原子类型Embedding、时间步编码）和向量特征v（如坐标差\Delta x、原子到残基内其他原子的方向向量）。标量负责"化学属性"，向量负责"几何结构"。

b.异构图设计（Heterogeneous）：四种边类型（L▷L配体内、P▷P蛋白内、L▷P、P▷L）各有独立的消息传递权重。蛋白节点用残基级别表示（以Cα为坐标），但通过向量特征保留了全原子信息。

c.等变性保证：所有作用在向量上的操作都通过GVP实现，确保预测的速度场在全局旋转/平移下正确变换。

d.输出分流：同一个骨干网络最后分出多个输出头——坐标速度场v_θ(x_t, t)、角度速度场v_θ(\chi_t, t)、原子类型logits^{^}h_t、键类型logits \hat{e}t，以及可选的不确定性\hat{\sigma}。

4.【掘金时刻】那些论文里没明说，但极具参考价值的Tricks

读代码和Appendix才能发现的工程细节，往往比正文更值钱。我为大家挖掘了以下3个"Model Engineering Highlights"：

Trick 1：基于距离截断的图构建（Distance-Cutoff Graph）

DrugFlow的图构建策略值得关注：

配体原子间：完全连接（complete graph），因为任意两个原子之间都可能形成化学键

蛋白-配体间、蛋白-蛋白间：基于10Å距离截断动态构建边，平衡了计算效率和信息传递范围

这种设计让模型在每个采样步骤都能根据当前原子位置更新蛋白-配体的交互图，捕捉到随着生成过程逐渐形成的局部化学环境。

Trick 2：虚拟节点的"幽灵状态"（The Virtual Node Trick）

关于原子数自适应，文中有一个细节处理很棒：

操作：设定一个最大虚拟节点数N{max}（论文中=10）。训练时随机添加n{virt} \sim U(0, N_{max})个虚拟节点。

坐标设定：虚拟节点的坐标放在配体质心位置，为网络提供明确的回归目标。

类型演变：Markov Bridge不仅学习碳、氮、氧之间的跳变，还学习"真实原子"与"虚拟（不存在）"之间的跳变。

推理时：如果采样结束时某个节点的类型是Virtual，直接丢弃。

这把"尺寸预测"内化为"类型预测"的一部分，非常优雅。但注意：N_{max}=10意味着模型最多只能自适应调整约±5个原子，对于需要生成大分子（如PPI抑制剂）的场景可能不够用。

Trick 3：黎曼流形上的多项式调度器（Polynomial Scheduler for Torus）

对于侧链角度的流匹配，作者使用了一个多项式调度器\kappa(t) = (1-t)^k（k=3），控制测地线距离的收缩速率：

相比指数调度器\kappa(t) = e^{-ct}，多项式调度器严格满足边界条件\kappa(0)=1, \kappa(1)=0，理论上更为严谨。这个小改动对采样质量有显著提升。

5.实验结果的"侦探式"分析（The Evidence）

作者在CrossDocked数据集上进行了测试（100K训练对，100个测试蛋白）。比起那些只盯着Vina Score看的论文，这篇论文的Evaluation显得格外"清流"——它核心关注的是分布学习能力，而非绝对指标刷榜。

作者的核心观点：生成模型的目标是学习数据分布，而非超越数据分布。没有额外微调或采样策略的情况下，期望模型大幅超越训练集的指标是不合理的。

证据一：不仅要分高，还要"像样"

作者大量使用了Wasserstein距离和Jensen-Shannon散度来衡量生成分子的属性分布与真实药物分布的差异。

Table 1 & 3：JSD_all是QED、SA、logP、Vina efficiency四个属性联合分布的JS散度。

结果显示，DrugFlow生成的分子的键长、键角分布，几乎完美复刻了真实分子。这听起来很简单？其实很难！很多Diffusion模型生成的分子虽然对接分高，但一看结构，各种扭曲的键长，根本造不出来。DrugFlow在Fréchet ChemNet Distance（FCD）上也以4.28的成绩完爆其他方法（12-14），说明它覆盖了更多化学空间的modes。

证据二：不确定性 = 避雷针

这是我觉得最性感的一个实验结果。

Figure 2解读：

Panel A：同样大小（30个重原子）的分子，高/低不确定性样本的可视化。每个原子按其局部不确定性着色。

Panel B：键长/键角分布的直方图，颜色编码表示平均不确定性。分布尾部（异常值）的不确定性显著更高，说明模型"知道"这些样本不太靠谱。

Panel C：全局不确定性与Gnina efficiency（r=-0.73）和分子大小（r=0.88）的相关性。

Panel D：发生碰撞（Clash）的原子具有显著更高的不确定性。这意味着模型自己其实"知道"这个原子放这儿不对劲。

工业价值：我们可以直接用这个不确定性来过滤掉那些不靠谱的生成结果，而不用去跑昂贵的MD或FEP。但需要注意，这个不确定性估计的是Flow Matching预测误差的方差，它能反映模型的"熟悉程度"，但不能替代真正的binding affinity不确定性评估。

证据三：让蛋白"动"起来（FlexFlow）

作者展示了扩展版本FlexFlow的能力。在给定配体结构固定的条件下，FlexFlow能把原本relaxed的侧链重新采样到结合态的构象，RMSD中位数只有1.75Å（相比relaxed apo的1.98Å有显著提升）。

Figure 4解读：

Panel A：三种情况下的侧链RMSD分布——随机先验（很差）、relaxed apo（1.98Å）、FlexFlow生成（1.75Å）。

Panel B：三种大体积氨基酸（Arg, Lys, Trp）的\chi_1-\chi_2角度分布。FlexFlow样本（黑线）与训练集晶体结构（蓝色等高线）高度一致，正确捕捉了rotamer modes。

这证明了模型真的学到了一定程度的"诱导契合"物理规律，而不是死记硬背。

证据四：偏好对齐（Preference Alignment）

作者还顺手把LLM里的DPO（Direct Preference Optimization） 搬了过来，用来优化QED、SA、Vina efficiency和REOS过滤通过率。

Figure 5解读：偏好对齐（红色）在所有四个指标上都超越了简单的Fine-tuning（蓝色）和基准模型（绿色）。组合偏好对齐（虚线）也表现出色。

关键创新点是：作者同时在Flow Matching（连续）和Markov Bridge（离散）两个框架上应用了DPO，实现了真正的多域偏好对齐（MDPA）。不需要复杂的强化学习，直接用对比数据微调，效果拔群。

6.点评：优势、局限与避坑指南（The Verdict）

优势（Pros）

物理直觉极佳：通过"多域分布学习"，DrugFlow不仅仅是在生成图，而是在生成符合物理约束的3D实体。键长、键角分布的高保真度是最好的证明。

评价范式革新：作者力推"分布学习质量"而非"绝对指标刷榜"的评价方式，这对整个领域都有指导意义。用Wasserstein距离和FCD评价生成模型，比直接比Vina Score更科学。

工程化细节满分：Virtual Node、Uncertainty Head、MDPA等设计都非常实用，代码开源（GitHub），复现友好。

FlexFlow开创性：虽然只是侧链柔性，但这是SBDD生成模型首次认真处理蛋白构象采样问题。

局限与槽点（Cons & Risks）

a."虚拟节点"的上限：虽然Virtual Node很聪明，但在训练时，作者只设置了N{max}=10。这意味着模型最多只能自适应调整约±5个原子。如果你初始给的原子数严重过剩（比如给个100原子的框去填一个小口袋），模型还是会两眼一抓瞎（见Figure 3B）。对于PPI抑制剂等大分子场景，可能需要增大N{max}。

b.骨架还是刚性的：FlexFlow虽然让侧链动了，但蛋白Backbone（主链）还是死的。在处理那些Loop区大尺度运动的靶点（比如激酶的DFG-in/out切换、GPCR的TM螺旋运动）时，这个模型依然无能为力。

c.FlexFlow的条件依赖：Figure 4A的实验是固定配体采样侧链，而非真正的配体-蛋白协同采样。当配体骨架与训练集差异很大时，侧链响应可能不准确。

d.没有实验验证：所有评价都是计算指标，没有prospective的binding assay或cell assay验证。这是整个SBDD领域的通病，但作为"落地级论文"的定位，缺少实验数据是一个遗憾。

e.数据集偏差问题：CrossDocked本身存在cross-docking artifacts，很多pose质量堪忧。虽然作者用PoseBusters过滤了训练集，但"垃圾进垃圾出"的风险依然存在。不确定性估计的意义之一，正是帮助识别这些问题区域。

工业界落地建议

别拿来做大规模虚拟筛选：杀鸡焉用牛刀，算力烧不起。DrugFlow每生成一个分子需要500步采样，比autoregressive方法慢很多。

最适合场景：Hit-to-Lead阶段的骨架跃迁（Scaffold Hopping）。当你有一个大致的结合模式，想要保持关键相互作用但换个骨架，并且希望能处理口袋微小的侧链调整时，DrugFlow/FlexFlow是可以尝试的工具之一。

利用Uncertainty：一定要把那个不确定性输出利用起来，作为一个免费的粗筛Filter，可以帮你省下大量后续对接和FEP的计算资源。但记住，它不能替代binding affinity的精确计算。

考虑偏好对齐：如果你有明确的优化目标（比如提高SA、降低毒性alerts），MDPA提供了一个比RL更稳定的微调方案。

7.思考与未来（Takeaway）

DrugFlow告诉我们，未来的AIDD模型一定不是"黑盒"的暴力美学，而是"物理几何 + 深度学习"的精细化融合。

三个值得关注的趋势：

a.多域生成成为标配：分子本身就是连续（坐标）+离散（类型）+周期性（角度）的混合体，未来的模型必须能原生处理这种混合数据。

b.Bridge > Diffusion？：Schrödinger Bridge / Markov Bridge这些听起来高大上的数学名词，正在快速进入落地阶段。相比Diffusion"必须经过纯噪声"的设定，Bridge的"两端都有意义"可能是更自然的建模方式。作为算法工程师，现在去补一补随机过程和最优传输（Optimal Transport） 的课，绝对是保值增值的最佳投资。

c.蛋白柔性不可回避：FlexFlow只是开始。未来的SBDD模型必须能处理Backbone运动、Loop sampling、甚至allostery。这需要和蛋白结构预测/动力学模拟领域更深度的交叉。

8.深度Q&A

Q1: DrugFlow号称"分布学习器"，但它真的学到了蛋白-配体相互作用的物理本质吗？还是只是一个高级的数据过拟合器？

部分学到了，但有限。

支持"学到物理"的证据：clash原子的不确定性显著更高（Figure 2D），说明模型学会了避免空间碰撞；键长键角分布高度还原真实分子。

但更诚实的判断是：DrugFlow更像一个高保真的数据分布复制器。它学到的是"训练集里的分子长什么样"，而非"为什么这样的分子能结合"。真正的物理理解需要prospective实验验证——目前一个都没有。

启发：评价生成模型时，"分布匹配得好"≠"理解了底层物理"。前者是统计相关，后者需要因果验证。

Q2: 不确定性估计听起来很美，但它估计的是Flow Matching回归误差，这和"药物设计的不确定性"是一回事吗？

不是一回事，但有交集。

DrugFlow的不确定性反映的是：模型对当前输入的"熟悉程度"（认识论不确定性）。它能告诉你"这个区域我没见过"，但不能告诉你"这个分子的binding affinity误差是多少"。

真正的药物设计不确定性来源更广：力场精度、熵效应、溶剂化、蛋白柔性、off-target……这些远超flow matching误差能覆盖的范围。

实用建议：把它当粗筛过滤器用，剔除明显不靠谱的样本；但不能替代FEP/MD等下游验证。

Q3: FlexFlow让侧链"动"起来了，但这是真正的induced-fit吗？当配体骨架完全改变时，侧链响应还准吗？

是受限的induced-fit，不是通用的。

三个关键限制：

1.Backbone是死的——Loop运动、DFG翻转等大尺度变化无法处理

2.条件是单向的——实验是"固定配体采样侧链"，而非配体-蛋白协同调整

3.泛化存疑——训练数据来自holo结构，面对全新骨架的配体时，学到的响应模式可能不适用

适用场景：配体骨架与训练集相似、侧链调整幅度小（<2Å）、不涉及cryptic pocket opening。

不适用场景：全新化学空间、需要诱导loop运动、变构位点设计。

Q4: 为什么选Flow Matching而不是Diffusion？除了"更火"之外，有本质优势吗？

有，但没有宣传的那么大。

Flow Matching的真正优势：

轨迹更直：学习近似线性的传输路径，采样效率更高

训练更稳：直接回归向量场，不涉及score estimation的数值问题

理论更美：与最优传输自然衔接，有更多数学工具可用

但对于SBDD这个具体任务，Flow Matching vs Diffusion的性能差异没有想象中大。真正的提升来自：多域联合建模、Virtual Node、Uncertainty Head这些工程设计。

启发：别被数学框架的"高级感"迷惑，工程细节往往比理论选择更重要。

Q5: 所有评价都是计算指标，没有一个prospective实验验证。这篇论文的结论可信吗？

计算结论可信，药物设计价值存疑。

论文的计算实验设计是扎实的：Bootstrap统计检验、多维度分布比较、消融实验齐全。在"生成分子的统计特性是否接近训练集"这个问题上，结论是可信的。

但"统计特性接近"≠"能设计出好药"。整个SBDD生成模型领域都面临同一个尴尬：用Vina评价Vina-like的分子，本质是循环论证。

真正需要的验证：

至少一个靶点的prospective设计 + binding assay

与传统CADD方法（如SBVS+对接）的头对头比较

在全新蛋白家族上的泛化测试

结论：DrugFlow是目前最好的SBDD分布学习器之一，但它能否真正加速药物发现，jury is still out。

参考资料

Schneuing et al., "Multi-domain Distribution Learning for De Novo Drug Design", ICLR 2025.

代码：https://github.com/LPDI-EPFL/DrugFlow

---

文章改编转载自微信公众号：陷入鞍点

原文链接：https://mp.weixin.qq.com/s/8EahvDUe-tw2BYFgO28W2Q