以可解释的类药性与亚结构条件引导扩散模型，实现可控的分子图生成
- GCMDiff不使用SMILES字符串，而是以原子对和化学键为中心的图表示来生成分子，从而显式表达拓扑结构。
- 扩散过程由可解释的条件引导，包括原子数、五规则相关性质，以及来自Checkmol、PubChem和Rings in Drugs描述符的亚结构特征。
- 文中报告了针对生成分子的基准实验；但订阅摘要被截断，基准之外的验证以及与其他生成模型的比较均未说明。
💡 要点 基于摘要的观点
以五规则性质作条件，是最没意思的一个旋钮；我们项目卡住的是活性和合成，而不是logP。亚结构条件只有在能稳定落实片段或药效团约束时才有价值。既没有前瞻性的合成或实验数据，与现有图扩散模型的基线对比也不清楚，我无法判断它是否胜过SMILES生成器加过滤器的做法。有没有公开代码，决定我会不会去试。