arXiv cs.AI· Yunzhe Zhang, Yifei Wang, Khanh Vinh Nguyen, Pengyu Hong·· 10 天前AI 评分22
CMCM-DLM：用扩散语言模型实现跨模态可控分子生成
Cross-Modality Controlled Molecule Generation with Diffusion Language Model
AI 导读
CMCM-DLM 是一个模块化框架，可将预训练扩散模型扩展至支持异构分子约束而无需重训主干。它通过 Structure Control Module（SCM）在早期扩散步骤引导分子骨架生成，再由 Property Control Module（PCM）将生成导向目标化学性质，实现分子结构与化学性质的跨模态控制。多数据集实验显示其具备有效的跨模态可控性与适应性。
正文 · AI 翻译
摘要：分子数据种类日益增多，这要求生成模型能够灵活地融合跨模态的异构约束。然而，现有的基于 SMILES 的扩散模型通常针对固定的条件模态设计，引入新约束往往需要重新训练模型。为解决这一局限，我们提出了跨模态受控分子生成扩散语言模型（CMCM-DLM），这是一个模块化框架，可将预训练的扩散模型扩展为支持异构分子约束，而无需重新训练主干网络。我们使用两种互补模态来演示 CMCM-DLM：分子结构和化学性质。具体而言，结构控制模块（SCM）引导早期扩散步骤以建立分子骨架，随后性质控制模块（PCM）将生成导向目标化学性质。这种分阶段设计使得在统一的生成框架内灵活集成不同的分子约束成为可能。在多个数据集上的实验证明了有效的跨模态可控性和强大的适应性，凸显了 CMCM-DLM 在异构分子数据建模和数据驱动药物发现方面的潜力。
| 评论： | 修订稿，更新了参考文献 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2508.14748 [cs.LG] |
| （或 arXiv:2508.14748v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2508.14748 arXiv 颁发的 DOI，经由 DataCite |
提交历史
来自：Yunzhe Zhang [查看邮箱]
[v1]
2025年8月20日星期三 14:48:44 UTC（1,085 KB）
[v2]
2026年10月6日星期二 02:59:10 UTC（2,220 KB）
来源：arXiv cs.AI · arxiv.org