Learning Molecular Chirality via Chiral Determinant Kernels¶

会议: ICLR2026
arXiv: 2602.07415
代码: 待确认
领域: 计算生物 关键词: 分子手性, 手性行列式核, 等变图神经网络, 轴向手性, SE(3)不变性

一句话总结¶

提出手性行列式核(ChiDeK)来编码 SE(3) 不变的手性矩阵，首次在 GNN 框架中统一处理中心手性和轴向手性，结合交叉注意力传播立体化学信息，在新构建的轴向手性基准上准确率提升 >7%。

研究背景与动机¶

手性(chirality)是药物化学的核心概念：对映异构体化学式相同但3D结构互为镜像，生物活性可能截然不同（经典案例：沙利度胺的R构型为镇静剂、S构型致畸）
现有GNN分子表征方法主要关注中心手性（四面体碳），但轴向手性（因联苯键等受限旋转产生）在药物化学中同样重要且更难建模
传统方法用CIP规则（R/S标记）或手性体积来编码手性，存在两个问题：
仅处理中心手性，忽略轴向手性
手性体积(chiral volume)是SE(3)不变的标量，信息量有限
需要一个统一框架同时捕获两种手性并保持SE(3)不变性

方法详解¶

整体框架¶

ChiDeK 把一个分子表示成 \(\bm{z} = (\bm{X}, \bm{H})\)（3D 坐标加原子特征），先按原子在立体化学中扮演的角色分成手性原子 \(\mathcal{I}_c\)、手性相关原子 \(\mathcal{I}_r\) 和普通原子 \(\mathcal{I}_n\) 三类，再由 Chiral Encoder 用行列式核为每个手性原子算出一段 SE(3) 不变的立体化学嵌入，最后用一个以手性原子为 query、其余原子为 key/value 的 Chiral Transformer 把这段手性信息扩散到整张图后送入预测头。核心创新都集中在“怎么用行列式把手性编码成既不变又能区分镜像的向量”，以及如何用同一套数学同时覆盖中心手性与轴向手性这两步上。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["输入分子 z=(X,H)<br/>3D坐标 + 原子特征"] --> B["原子三分类<br/>手性 / 手性相关 / 普通"]
    B -->|"中心手性: 取4个邻居"| C["手性行列式核<br/>构建 M_C → 投影 → QR → det<br/>输出 k 维嵌入(SE(3)不变·对反射变号)"]
    B -->|"轴向手性: 沿受限旋转轴选取代基"| C
    C --> E["手性交叉注意力<br/>L层 query=手性原子 + GKPT距离偏置"]
    E --> F["聚合 + 预测头<br/>R/S · 对映体排序 · ECD · OR"]

关键设计¶

1. 手性行列式核：把手性写成 SE(3) 不变、对反射变号的向量

传统做法用 CIP 规则的 R/S 符号或单个手性体积标量来表示手性，前者只是离散标签丢掉了几何信息，后者只有一维、信息量太薄。ChiDeK 先为手性原子 \(i\) 取它的 4 个取代基坐标拼成 \(3\times3\) 的手性矩阵 \(\bm{M}_C(i)\)，再用一组可学习投影 \(\bm{W}\in\mathbb{R}^{k\times d_p\times 3}\) 把它变换后做 QR 分解，取上三角阵的行列式 \(\det(\bm{R})\) 当特征。关键性质是 \(\det(\bm{R}) = \alpha(\bm{W})\cdot P_C(i)\)，即它正比于原始手性积 \(P_C(i)\)：旋转平移分子时不变（SE(3) 不变），但取镜像时符号翻转，因此天生能区分对映体——这正是 DimeNet 一类只用距离/角度的 E(3) 不变模型做不到的。用 \(k\) 个核就得到 \(k\) 维嵌入，比单标量手性体积丰富了 \(k\) 倍。

2. 用同一套数学统一中心手性与轴向手性：把轴向手性也塞进行列式框架

中心手性来自四面体碳，轴向手性来自联苯键等受限旋转，过去这两类要分别建模、轴向手性几乎没人碰。ChiDeK 发现只要换一种方式选“构成手性矩阵的四个点”，就能用完全相同的 \(\bm{M}_C\) 公式覆盖两者：中心手性以四面体中心原子为核心、取它的 4 个邻居；轴向手性以旋转受限键为轴、在键两侧各取最近的取代基原子。两种手性共享同一组行列式核与同一证明，因此模型不需要为轴向手性新增任何专用模块，这也是它能首次系统建模轴向手性的根本原因。

3. 手性交叉注意力：让手性信号从手性中心扩散到全分子

手性虽然定义在局部原子上，但它会影响整个分子的性质（如 ECD 谱、旋光角），只编码在手性中心而不传播出去会限制表达力。ChiDeK 让手性原子嵌入做 query，把手性相关原子和普通原子分别投影成 key/value，做交叉注意力；注意力里额外加一个 GKPT（Gaussian Kernel with Pair Type）距离偏置，按原子对类型（手性–手性相关、手性–普通）区别地编码空间距离。堆叠 \(L\) 层并逐层更新这个 pairwise bias，手性信息就能沿着几何近邻一路渗透到全图，消融里去掉交叉注意力会让 ECD RMSE 从 2.75 退到 3.12。

损失函数 / 训练策略¶

训练用标准的分类/回归损失，再加一项权重正则 \(\mathcal{L}_{reg} = \|W^\top W - I_3\|^2\) 把投影矩阵约束成近正交以保证满秩——这点很关键，因为 rank-deficient 的 \(\bm{W}\) 会让行列式恒为 0、手性信息整段丢失。配合在投影前对权重直接做 QR 分解保证列独立，整条手性通路才稳定可微。评测覆盖 R/S 分类（Acc）、对映体排序（Acc）、ECD 谱预测（RMSE）和旋光角预测（RMSE）四个任务。

实验关键数据¶

主实验¶

任务	指标	ChiDeK	ChiGNN	SphereNet	提升
中心手性 R/S 分类	Acc↑	98.2%	97.8%	94.5%	+0.4%
对映体排序	Acc↑	77.8%	75.6%	65.7%	+2.2%
中心手性 ECD (Position)	RMSE↓	2.75	3.21	3.85	-14.3%
轴向手性 ECD	RMSE↓	较强基线	N/A	较弱	>7%↑
轴向手性 OR	RMSE↓	较强基线	N/A	较弱	>7%↑

消融实验¶

配置	R/S Acc	ECD RMSE	说明
ChiDeK 完整	98.2%	2.75	行列式核 + 交叉注意力
w/o 行列式核（用手性体积标量）	95.1%	3.45	标量信息量不足
w/o 交叉注意力	96.0%	3.12	手性信息无法传播到全分子
w/o GKPT 距离偏置	97.3%	2.95	距离信息辅助作用明显

关键发现¶

ChiDeK 在轴向手性任务上准确率比最强基线高 >7%——首次系统性评估轴向手性
行列式核比标量手性体积提供更丰富的立体化学信息（消融验证）
交叉注意力使手性信息不局限于手性中心，而是扩散影响整个分子表征
权重正则化对训练稳定性至关重要——rank-deficient 的投影矩阵会导致手性信息完全丢失

亮点与洞察¶

首次在 GNN 框架中统一处理中心手性和轴向手性，概念突破明确——此前所有方法仅处理中心手性
手性行列式核的数学设计优雅：SE(3) 不变性有严格证明（Proposition 3.1 + Lemma 3.1 + Lemma 4.1），不依赖经验近似
构建 ACMP（Axial Chiral Molecular Properties）基准填补了轴向手性评测的空白，对社区有持续贡献价值
交叉注意力机制使手性信息不局限于手性中心，而是通过 GKPT 距离偏置扩散影响全分子图
QR 分解保证了梯度可微性同时保持行列式的手性判别性——处理了 rank deficiency 的边界情况

局限与展望¶

轴向手性的识别需要先知道哪些键是旋转受限的，目前依赖化学知识/启发式规则——自动检测是重要方向
仅在小分子上验证，蛋白质/多肽等大分子的手性建模未涉及——计算开销随手性中心数量增加
与 3D 坐标预测任务（如构象生成）的结合未探索——ChiDeK 可否作为分子生成中的手性约束？
更复杂的手性形式（如平面手性、螺旋手性）未覆盖，虽然理论框架可扩展

评分¶

新颖性: ⭐⭐⭐⭐⭐ (手性行列式核是全新概念，统一两种手性)
实验充分度: ⭐⭐⭐⭐ (新基准+多任务验证，但缺大分子实验)
写作质量: ⭐⭐⭐⭐ (数学推导严谨，化学动机清晰)
价值: ⭐⭐⭐⭐ (对药物设计有实际意义，基准贡献持久)