AI+ 化学论文 | Nature Machine Intelligence 2026 | CoCoGraph：当图扩散遇到化学价键约束

一句话看懂：一篇发表在《Nature Machine Intelligence》上的论文，提出了一种名为 CoCoGraph 的图扩散模型，通过将化学价键约束“焊死”在扩散过程中，实现了100%的分子生成化学有效性，同时参数量仅为同类模型的十分之一。这项研究提供了一个“硬约束前置”的设计范例，大幅提升了分子生成的效率与质量。

事件核心：发生了什么

罗维拉维尔吉利大学与ICREA的研究团队开发了CoCoGraph（协作约束图扩散模型），其创新点在于重构了图扩散的噪声过程：不再像传统方法那样随机“加噪-去噪”，而是采用“双边缘交换（DES）”操作，在保持每个原子化合价不变的前提下，在分子连接空间中翻滚。这确保了从扩散轨迹的第一帧到最后一帧，所有分子都天然满足价键规则。配合一个63K参数的轻量“时间模型”来动态优化去噪进度，CoCoGraph的Base版本（仅534K总参数）在GuacaMol基准上取得了95.7%~96.3%的分布匹配（KL散度）得分，并实现了100%的化学有效性。团队还基于此模型生成了820万个新分子，并组织121位化学专家进行“图灵测试”，结果显示专家判断真实分子与生成分子的全局准确率仅为62%，略高于随机水平。

为什么重要

这项工作的核心意义在于验证了一条被低估的技术路线：将领域内的物理硬约束（如化合价）设计进生成过程的底层结构，而非依靠庞大模型去“学习”避免非法输出。这直接带来了参数效率的飞跃和100%的可靠性。对于AI化学社区，它意味着“什么样的噪声过程”可能比“网络多深”更决定模型上限。对行业而言，这意味着在药物发现、材料设计等场景中，开发者可以信任模型输出，免除昂贵的后期过滤与重采样循环，从而大幅提升高通量虚拟筛选的效率。同时，CoCoGraph的DES技术可自然拓展到基于分子核心的局部编辑（Inpainting），为药物先导化合物优化提供了一个即插即用的可控采样工具。

对用户/开发者/创作者的影响

对于从事分子生成、药物设计的研究者和开发者：CoCoGraph证明了只要噪声过程设计得当，小模型也能在合法化学空间内高效探索。如果你正在使用VAE/GAN或传统图扩散模型，这意味着有机会用更少的算力（单张4090 GPU即可运行）和更简单的架构，获得更可靠的、即产即用的分子结构。对于A for Science的工具开发者：该工作的“双模型协作”架构（主力扩散模型+轻量时间状态估计器）是一个可复用的设计模式，可用于其他存在组合约束的生成任务。对于企业采购方：当评估生成模型时，“100%化学有效性”应被看作一项硬性指标，而非可容忍的加分项——CoCoGraph的模式降低了采购集成后的二次开发成本。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

第一，该方法能否平滑迁移到更大的化学空间（如包含反应中间体、配合物或结晶形态）？DES操作对特定环状结构是否有局限，作者尚未在文中完全展开。第二，其公开的820万分子数据库（Zenodo: 10.5281/zenodo.18939448）是否会成为社区新基准？第三，从研究到工业应用，CoCoGraph的模型是否会被打包成API或Python库供云平台调用？考虑到其极低参数量，本地化部署和在线推理的壁垒已经相当低。最后，人类专家盲测62%的准确率，提示“AI生成的分子”已逼近真实化学空间的模糊边界，这将对专利审查策略产生长期影响，值得关注后续监管与法律界讨论。

来源：Readhub · AI