用于化学生成模型和基础模型的高阶分子文法

分子学习模型在很大程度上受到其底层表示的影响。然而，标准的序列和图形式化方法难以显式编码环系统和重复基元等高阶拓扑结构。现有的高阶表示能够直接捕捉这些结构，但通常计算开销较大，且难以解码为有效分子。在此，我们提出高阶文法表示（Higher-order Grammar Representation，HGR），这是一种具有理论原则且感知拓扑结构的框架，可将分子提升为组合复形，并在高阶上下文无关文法下，将每个复形解析为紧凑的生成规则序列。通过将高阶拓扑序列化为规则序列，HGR 使这些结构能够直接兼容标准序列模型，在保留拓扑表达能力的同时，避免显式高阶编码所带来的计算开销。为减少基准测试对简单环系统的偏向，我们构建了 RingDiv，这是一个包含118万种分子的富环基准数据集，其中包括经过筛选的 RingDiv300k 子集；同时引入环多样性指数（ring diversity index，RDI）来量化环系统覆盖范围。在分子生成方面，基于 HGR 的模型独特地兼具由构造保证的100%有效性和领先的分布对齐能力，在全部五个生成基准测试中均以 FCD 排名第一。在表示学习方面，在两种迁移协议下，HGR-FM 在七个 MoleculeNet 基准测试中均取得最高的平均 AUC；在探测和全量微调设置下，其性能分别比最强基线提高8.3和3.3个 AUC 点。总体而言，这些结果表明，HGR 是一种适用于分子生成和可迁移表示学习的高效高阶表示。