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
本论文探讨了在给定分子图的情况下如何在三维空间中生成分子构象的问题,并将这些构象参数化为将分子图中的元素映射到三维空间中的连续函数。我们通过使用扩散生成模型 —— 分子构象场(Molecular Conformer Fields,MCF)来学习生成构象的分布。我们的方法简单而可扩展,在具有挑战性的分子构象生成基准测试中取得了最先进的性能,同时对分子的显式结构(例如建模转动角度)不做任何假设。MCF 在将扩散模型扩展到处理复杂科学问题方面表示了一种概念简单、可扩展且有效的进展。
Nov, 2023
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
本研究提出了一种新的方法,直接预测分子的坐标,通过适应性地聚合键和原子信息,迭代地细化生成构象的坐标,该方法在 GEOM-QM9 和 GEOM-Drugs 数据集上取得了最佳结果,并通过提供更好的初始构象来改善分子对接。
Feb, 2022
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
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
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
使用分子动力学仿真和可微重要性抽样训练神经网络势能,可以开发出准确和高效的蛋白质粗粒化表示方法,在预测蛋白质动力学、折叠和相互作用等方面具有重要应用价值。
Jun, 2023
利用能量守恒定律,我们开发了一种高效的梯度域机器学习方法(GDML),使用极少量的来自从头算分子动力学(AIMD)轨迹的样本构建准确的分子力场。这种方法可以在训练时仅使用 1000 个构象几何结构,以 0.3 kcal/mol 的能量准确度和 1 kcal/mol・Å^-1 的原子力准确度再现中等大小的分子的全局势能面。该方法使得分子动力学模拟可以像高级从头算法方法一样具有准确性和可转移性,同时减少了计算代价。
Nov, 2016
本文提出了基于生成模型和等变网络的新方法,以恢复从粗粒度表示到原子层面的原子精确位置信息,并在分子动力学轨迹上进行了三个综合评估,结果表明,与现有数据驱动的方法相比,我们的方法始终能够以显着优势恢复更真实的结构。
Jan, 2022