Jan, 2022

分子构象的生成式粗粒化

PDF
TL;DR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。
coarse-grainingbackmappinggenerative modelsequivariant networksmolecular simulations
发现论文，激发创造
  • 基于机器学习的可逆粗粒化方法用于多尺度分子模拟

    使用周期粗粒化 (CCG) 方法，能够在统一的框架下构建基于结构的粗粒化 (CG) 模型，并能通过可行的优化过程恢复细微的分子细节，从而实现多尺度分子建模中 CG 模型的改进与精度提高。

    May, 2023

  • CoarsenConf: 分子构象生成的均变性聚合注意力粗化

    本文介绍了 CoarsenConf，它是一种基于分子图的粗粒化策略，可以用于高效地生成低能 3D 结构，并使用聚合注意机制恢复精细的坐标，从而实现大分子的自回归生成，此外，我们引入了新的指标以更好地评估生成构象体的质量和可行性，并证明 CoarsenConf 相比之前的生成模型和传统化学信息学方法可以生成更准确的构象体集合。

    Jun, 2023

  • 粗粒化分子动力学力场的机器学习

    本文应用监督式机器学习方法将经典粗粒化 (coarse-graining) 重新解释，提出了一种名为 CGnets 的深度学习方法，能够学习细粒度有溶剂共存 (all-atom explicit-solvent) 的自由能函数，并能够捕获多体项。

    Dec, 2018

  • Backdiff：一种用于广义可转移蛋白质逆向映射的扩散模型

    通过生成模型和扩散模型，我们提出了一种新的反映蛋白质映射问题的方法，该方法能够在各种粗粒化模型和蛋白质之间实现通用性和可靠性，并在多种流行的粗粒化模型上展现出卓越的性能，为蛋白质研究提供了一种便捷而可靠的即插即用解决方案。

    Oct, 2023

  • 用图神经网络进行粗粒化分子动力学模拟

    通过引入混合架构来学习分子动力学中的粗粒化力场，以便于能够将粗粒化力场转移到分子系统之间，从而进一步加速模拟的过程。

    Jul, 2020

  • 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

  • F$^3$low: 使用 SE (3) 引导的流匹配的逐帧粗粒度分子动力学模拟

    基于 Flow-matching 的 Frame-to-Frame 生成模型 (F$3$low) 扩展了粗粒化建模方法的领域，通过自交叉采样的方式提升了计算生物学中的模拟效率，并且能够广泛探索构象空间。

    May, 2024

  • 基于自上而下的机器学习法推导蛋白质粗粒度力场

    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

  • 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

  • 用图神经网络的粗粒化力场中的热力学可传递性

    通过使用图卷积神经网络 (HIP-NN-TS) 构建粗粒化力场的高度自动化训练流程，我们展示了机器学习技术在改进可转移粗粒化力场构建方面的潜力。这种方法不仅能够产生高精度的力场，而且在多种热力学条件下具有更好的转移性。

    Jun, 2024