分子构象生成的神经生成动力学学习

ICLRFeb, 2021

分子构象生成的神经生成动力学学习

Learning Neural Generative Dynamics for Molecular Conformation Generation

Minkai Xu, Shitong Luo, Yoshua Bengio, Jian Peng, Jian Tang

TL;DR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。

Abstract

We study how to generate molecule conformations (i.e., 3D structures) from a molecular graph. Traditional methods, such as molecular dynamics, sample conformations via computationally expensive simulations. Recently, machine learning methods have shown great potential by training on a

molecular graph machine learning deep generative models conformation generation distance modeling

发现论文，激发创造

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

分子构象生成的梯度场学习

本文研究计算化学中的分子构象生成问题，提出一种基于力场方法和评分生成模型的新方法 ConfGF，通过直接估计原子坐标的梯度场直接生成稳定构象，实验结果表明 ConfGF 明显优于现有的最新基线。

May, 2021

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

扩散驱动的分子构象预测生成框架

借助深度生成网络，本文提出了一种新颖的生成框架 —— 方法，在计算化学和药物开发领域推动了从二维分子结构推断三维分子构型的精确性，通过一个马尔科夫链过程，将随机噪声的分布转化为连贯的分子形式，并在尊重特定要求的基础上通过一个精心设计的双层优化方案实现了分子的三维形式的实现。

Dec, 2023

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

无分子的分子动力学：利用生成神经网络搜索蛋白质构象空间

利用人工智能和生成神经网络对蛋白质的分子动力学进行建模，将分子动力学的轨迹用 Ramachandran 盆类的向量表示，无需使用物理粒子，模型可以扩展无限，并能够完整地模拟蛋白质的构象空间。

Jun, 2022

一种用于分子距离几何的生成模型

该研究提出了一种基于概率模型和欧几里得距离几何学的分子生成模型，并且在分子构象生成的新基准测试中显示其具有最先进的准确性；最后，展示了如何将该模型用作重要采样方案中的提议分布来计算分子属性。

Sep, 2019

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

无限物理猴：深度学习方法在构象生成中真的表现更好吗？

本文探讨了利用深度学习和基于物理学原理的两种方法进行分子构象生成和蛋白质配体定位的可行性，提出基于无穷随机猴定理的分子构象生成方法，证明了其覆盖率比大多数深度学习方法更高，同时也发现了其在蛋白质配体定位方面的成功率接近最佳表现。

Mar, 2023

基于分数偏移的分子构象生成

分子构象生成的新方法通过将分子的反积分过程视作对由分子所组成的原子施加逐渐增加的力场，从而使原子间距的变化分布从高斯分布向麦克斯韦 - 玻尔兹曼分布转变，该生成模型保证了可行的原子间距几何，并且具有时间可逆性。实验结果表明，该方法相比最先进的技术具有优势。

Sep, 2023