Apr, 2023

MUDiff：完整分子生成的统一扩散

PDF
TL;DR本文提出一种新的分子数据生成模型，它将离散与连续的扩散过程相结合。 通过扩散过程的使用，可以捕获分子过程的概率性质，并探索不同因素对分子结构和性质的影响。 此外，文中还提出了一种新颖的图形变换器架构，用于去噪扩散过程，可以用于学习鲁棒的分子表示。 通过实验和与现有方法的比较，表明该模型能够生成更稳定和有效的分子，并具有良好的性能。 该模型为设计具有所需特性的分子提供了一种有前途的方法，并可应用于分子建模的广泛任务。
molecular datadiffusion processesgraph transformer architecturemolecular modelingproperties
发现论文，激发创造
  • 三维分子生成的等变扩散

    本研究提出了一种 E (3) 等变扩散模型 (EDM)，该模型学习使用等变网络对包含连续（原子坐标）和分类特征（原子类型）两种特征的扩散过程进行去噪。同时，基于该模型提供了一种概率分析方法，可以计算出基于该模型生成的分子的似然。实验证明，相较于先前的 3D 分子生成方法，本研究提出的方法在样本的生成质量和训练效率方面显着优于其他方法。

    Mar, 2022

  • 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

  • 学习联合 2D 和 3D 扩散模型以生成完整分子

    本文提出了一种新的联合 2D 和 3D 扩散模型 (JODO)，它通过 Diffusion Graph Transformer 参数化数据预测模型，可以生成具有原子类型、形式电荷、键信息和 3D 坐标的完整分子，表现出色，具有逆向分子设计和分子图形生成的优越性能。

    May, 2023

  • 3M 扩散：基于文本引导的分子图生成的潜在多模态扩散

    使用 3M-Diffusion 方法，可以根据给定的文本描述生成与之语义匹配的，高质量、新颖、多样化的分子图。

    Mar, 2024

  • 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

  • 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

  • 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

  • 药物设计中的扩散模型

    扩散模型在 3D 分子生成方面已经成为强大的工具，特别是在药物发现领域。这篇综述着重于定制 3D 分子生成的扩散模型的技术实现，比较了各种用于分子生成任务的扩散模型的性能、评估方法和实现细节，并探讨了扩散模型在药物设计以及与计算化学相关的领域的应用。

    Jun, 2024

  • MolDiff：针对三维分子扩散生成中原子键不一致问题的解决方案

    研究了分子三维生成过程中的原子 - 键不一致性问题，提出了一种新的散播模型 MolDiff，它可以同时生成原子和键，并且在明确建模它们之间关系的同时保持它们的一致性，这种方法能够显著提高生成分子的质量。

    May, 2023

  • 两层扩散和多属性优化：一种生成具有理想特性分子的新方法

    本文介绍了一种生成具有理想属性的分子的新方法，该方法通过在分子和分子片段上执行扩散来获取混合高斯分布，并使用新颖的基于电子效应的分解方法优化多个分子属性，从而在人工智能驱动的药物设计和发现方面具有重要的应用前景。

    Oct, 2023