Jun, 2020

TorsionNet: 一种基于强化学习方法的序列构象搜索

PDF
TL;DR本研究介绍了一种基于强化学习的高效串行构像搜索技术 TorsionNet，该方法训练出的模型能够使用 Gibbs 得分作为其目标函数，相较于传统的 chemoinformatics 方法，在构建大分子及生物高分子 lignin 的构象搜索方面表现出更高的准确性，具有在可再生能源领域应用的潜力。
conformer searchmolecular dynamicstorsionnetrenewable energybiopolymer lignin
发现论文，激发创造
  • GeoMol：分子 3D 构形的扭转几何生成

    提出了一种基于机器学习的方法 GeoMol，可以生成分子的 3D 构象，并且相较于一些开源、商业或者最先进的机器学习模型表现更为出色，同时具有过程全自动化的特点。

    Jun, 2021

  • 分子构象生成的扭转扩散

    本文提出了一种新的分子构象生成算法，通过基于扭转角度的扩散方法在高维空间上操作，并使用内外积分评分模型，其性能在药物样品基准中明显优于机器学习和化学信息学方法，同时比基于扩散模型的先前模型快几个数量级，此外，该模型提供了精确的似然度，用于构建第一个有效的玻尔兹曼生成器。

    Jun, 2022

  • HamNet: 基于哈密顿神经网络的构象引导分子表示

    该论文提出了一种新的分子表示算法 —— 分子哈密顿网络（HamNet），可以保存分子的 3D 构象，并且表现优异，可以应用在标准的分子机器学习基准测试 MoleculeNet 上。

    May, 2021

  • 利用深度生成图神经网络进行分子几何预测

    本文提出了一种基于条件深度生成图神经网络的分子构像生成方法，可以在数据驱动的基础上直接学习生成符合能量有利的、更可能在实验中被观察到的分子构像，相较于传统力场方法生成的构像更加接近于参考构像，并且保持着几何多样性，可以提供传统力场方法的初始坐标。

    Mar, 2019

  • 药物分子构型的物理知识生成模型

    基于扩散的生成模型，通过深度学习从大规模训练集中推断原子类型和几何参数，以取得高精度的键合参数，超过传统的基于知识的方法，并与实验结构进行比较。

    Feb, 2024

  • 分子构象生成的神经生成动力学学习

    本文提出了一种结合了流模型与能量模型的方法，以解决机器学习在从分子图生成分子空间构象时存在的挑战。经过大量实验，证明该方法在分子构象生成和距离建模任务上具有显著的改进和卓越性能。

    Feb, 2021

  • 构象合集下的分子机器学习

    利用多个构象的 3D 信息可以改善深度学习模型在分子性质预测中的表现，我们介绍了多重深度学习模型，并将其在二维、三维和四维表示中的表现进行了测试，深度学习模型可以学习每个构象的可解释性关注权重。

    Dec, 2020

  • 分子 GNN 的预训练作为条件玻尔兹曼生成器

    我们提出了一种预训练方法，使用现有的分子构形数据集生成适用于多个构形的潜在向量，从而解决了获取多个构形的计算成本高的问题，并展示了我们的模型在分子性质预测方面优于使用分子图和三维分子结构的现有预训练方法。

    Dec, 2023

  • 基于 Transformer 的强化学习的分子全新设计

    我们介绍了一种用于分子全新设计的 Transformer 基准生成模型的微调方法，利用 Transformer 相比循环神经网络 (RNNs) 的优越序列学习能力，我们的模型可以有效地生成具有期望属性的分子结构。与传统的基于 RNN 的模型相比，我们提出的方法在生成被预测为对多种生物目标活性化合物方面表现出优秀性能，捕捉分子结构序列中的长期依赖关系。通过生成查询结构的类似物和产生具有特定属性的化合物等多项任务的验证，我们的方法在性能上优于基准的基于 RNN 的方法。我们的方法可用于脱轴融合 (scaffold hopping)，从单个分子开始的库扩展，以及生成对生物目标具有高预测活性的化合物。

    Oct, 2023

  • E (3)- 不变分子构象聚合网络

    通过集成分子的 2D 表示和其多个构象体的表示，提出了一种新颖的 2D-3D 聚合机制，结合了分子的属性预测和机器学习方法，在已有数据集上显著优于现有的方法。

    Feb, 2024