ICLRMar, 2022

GeoDiff：一种用于生成分子构象的几何扩散模型

PDF
TL;DR本文提出了一种名为 Geodiff 的新型生成模型，它将分子中的每个原子视为粒子，并学习直接反向扩散过程来预测分子构象，通过 Markov 的方式进行建模，Markov 核通过维持等变性来实现不变性分布，实验表明，该方法在多个基准测试中优于或与现有的最先进方法相媲美。
发现论文，激发创造
  • 基于几何优化的去噪扩散模型用于三维分子生成

    提出了一种名为几何促进分子扩散（GFMDiff）的新型分子生成方法，通过引入双轨 Transformer 网络（DTN）和几何促进损失（GFLoss）解决了构成二元边和模型分子几何形状的多体间相互关系的建模问题。在现有基准上的全面实验证明了 GFMDiff 的优越性。

    Jan, 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

  • MDM: 用于 3D 分子生成的分子扩散模型

    本文提出了一种新的扩散模型来解决 3D 分子生成中的两大挑战，即缺乏分子间关系和探索不足，该模型表现明显优于现有方法。

    Sep, 2022

  • 一种基于 2D 图的扩散模型的过渡态生成方法

    该研究通过引入一种基于随机扩散方法的新型机器学习模型 TSDiff，从分子连接性的 2D 图中生成转化态的 3D 几何结构，生成模型方法使得模型能够采样出多种有效的转化态构象，可以用于探索复杂反应及考虑多种转化态构象的反应研究。

    Apr, 2023

  • SubGDiff：一种改善分子表示学习的子图扩散模型

    本文介绍了一种新颖的分子表示学习方法，通过将分子子图信息纳入扩散过程中，提升了分子表示学习的效果。实验结果表明，该方法在下游任务中具有更好的性能表现。

    May, 2024

  • 用于生成３D 分子的几何完备扩散

    提出了 GCDM 模型，该模型采用几何完整的消息传递图神经网络，在 DDPM 框架内宣称新的 3D 分子扩散生成的最新成果，并提供了与分子 DDPM 生成动态相关的物理归纳偏差的初步见解。

    Feb, 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

  • 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

  • 基于几何潜在扩散模型的三维分子生成

    本研究提出了一种基于几何潜变扩散模型（GeoLDM）的新方法，通过在潜空间中运行扩散模型来生成分子的三维几何结构。该方法对生成大分子的有效百分比有 7％的提升。

    May, 2023

  • 基于等变扩散的生成模型的设计空间对于全新的 3D 分子生成的导航

    深度生成扩散模型在材料科学和药物发现中是一种有前途的新途径。然而，它们的效用仍受到大分子结构和有限的训练数据的限制。本研究通过对连续和离散状态空间的相互作用进行广泛的比较分析，探索了 E (3) 等变扩散模型的设计空间并提出了 EQGAT-diff 模型。该模型在 QM9 和 GEOM-Drugs 数据集上的表现显著优于现有模型，并通过引入连续原子位置、分类化学元素和键类型，并采用时间依赖的损失加权，显著提高了训练收敛性和生成样本的质量。我们还研究了将在 PubChem3D 数据集上针对隐式氢训练的 EQGAT-diff 模型迁移到具有显式氢的目标分布的可行性，并通过若干迭代的微调进一步推动数据集上的最新性能。本研究的发现有望在基于结构的药物设计中应用，尤其对于复杂分子的小数据集的生成模型的准确性至关重要。

    Sep, 2023