通过提取三维特征和使用对比学习的方法,我们的研究提出了一种名为 3D-Mol 的新型三维结构分子建模方法,用于准确表示空间结构,并在 7 个基准测试中展示了出色的性能。
Sep, 2023
使用密度泛函理论和高级采样方法生成超过 450,000 种分子的 3D 构象,这将有助于从构象集合中预测分子性质并进行生成模型的开发。
Jun, 2020
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
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
研究表明,基于分子结构的图神经网络架构是目前预测分子性质最好的机器学习方法之一,并且可以监督大规模重复评估化合物库。使用新的有机光伏应用候选分子数据库进行的实验证明,即使不要求最优的立体结构输入,利用信息传递神经网络可以获得与现有基准数据集上最先进方法相媲美的准确性。
Jul, 2018
该研究提出了一种基于 2D 分子图的分子几何预训练模型,通过自监督学习方法,使其能够生成隐含的 3D 信息,显著提升各种性质的预测表现,并可跨多个不同的分子空间进行有效的迁移学习。
Oct, 2021
本篇论文提出了一种基于局部相互作用模型和主动学习算法的新型机器学习算法,可以在较小的训练集上提供高精度预测,并显著减少异常值误差,从而为材料设计和药物发现等领域提供更有效的高通量筛选方法。
Sep, 2017
分子表示学习具有在药物发现和酶设计等众多生物化学应用中的显著影响。我们提出了第一个全面评估从同构体集合学习的潜力的 MoleculAR Conformer Ensemble Learning (MARCEL) 基准,并建议有前景的研究方向。我们的研究结果表明,直接从可访问的同构体空间学习可以提高各种任务和模型的性能。
本文提出了一个名为 3D PGT 的新颖框架,它可以在无法获得几何结构的实际应用情况下,以 2D 结构为输入预测分子属性,实验证明与各种预训练基线相比,其具有更高的准确性,效率和泛化能力。
Jun, 2023
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