目标导向的分子设计发展迅速，但大量生成的分子在实际合成时仍然困难，限制了其应用价值。
已有的合成可行性方法要么把生成的分子投射回合成友好的类似物，导致偏离原始目标；要么直接在离散的合成空间中优化，却缺乏连续的搜索景观，效率低下。我们认为瓶颈主要在搜索空间，而非优化器本身。
为此我们提出 RouteFlow 框架，将合成可行的分子设计重新表述为在连续的路线潜在空间中搜索。空间中的每个潜在向量都对应一条完整的合成路线，合成可行性天然得到保证。
在该潜在空间中，我们采用奖励引导的流匹配（reward‑guided flow matching）作为高效采样器，使搜索倾向于属性值高的区域。
由于奖励优化可能将潜在向量推离真实合成路线的流形，导致解码不可靠，我们进一步引入循环一致性机制，在微调过程中保持潜在向量在流形上，从而稳定优化。
我们在 Therapeutic Data Commons 的 16 项优化任务上进行评估。实验表明，RouteFlow 在样本效率、合成可达性以及逆合成成功率方面均优于所有合成感知基线。
结果还验证了循环一致性能够可靠地保持优化在流形内，同时提升目标属性，支持高效的可合成分子发现。
点评：RouteFlow 通过构建连续的路线潜在空间并结合奖励流匹配与循环一致性，成功解决了合成可行性与搜索效率的矛盾，为实际药物研发提供了更具可操作性的分子生成方案。