Apr, 2023

一种基于 2D 图的扩散模型的过渡态生成方法

PDF
TL;DR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。
transition state geometriesmachine learningts geometry predictionstochastic diffusion methodgenerative model approach
发现论文，激发创造
  • 使用面向对象的等变基元反应扩散模型生成准确的转化态

    通过开发基于 SE (3) 等变扩散模型的目标感知模型，可以更快速准确地研究反应的过渡态结构，从而揭示其反应机制和反应网络。

    Apr, 2023

  • GeoDiff：一种用于生成分子构象的几何扩散模型

    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。

    Mar, 2022

  • 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

  • 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

  • 从初始到最终状态的反应路径构建的生成模型

    基于神经网络的方法通过迭代过程，根据初始状态的坐标生成了反应路径的近似表示和最终状态的坐标，适用于复杂的有机反应路径并能根据预设条件或随机方式生成反应。

    Jan, 2024

  • 基于离散图结构的分布式条件扩散用于分子图生成

    本文提出了一种基于条件扩散的离散图结构（CDGS）的分子图生成方法，通过随机微分方程（SDE）实现正向图扩散过程并得出离散图结构作为逆向生成过程的条件，利用普通微分方程（ODE）求解器进行高效的图采样，在各种数据集上验证了该框架的有效性，特别是在有限的步骤中仍能生成高质量的分子图。

    Jan, 2023

  • 生成转换路径的扩散方法

    我们开发了两种新的路径生成方法：基于链式方法和基于中点方法，在数据丰富和数据匮乏的情况下，在模拟稀有转换过程中展示了这些方法的有效性。

    Sep, 2023

  • 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

  • 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

  • 图生成的离散状态连续时间扩散

    本文提出了一种离散状态连续时间设置的图扩散生成模型，该模型在以前的图扩散模型中从未被研究过。分析表明，我们的训练目标与生成质量密切相关，我们提出的生成框架在节点排序的排列方面具有理想的不变 / 等变特性。我们的模型在各种基准测试中表现出有竞争力的实证性能，同时在采样阶段可以在生成质量和效率之间灵活权衡。

    May, 2024