Jun, 2023

通用等变转换器及其在 3D 分子相互作用学习中的应用

PDF
TL;DR该论文提出一种通用的分子相互作用模型，通过将三维分子表示为几何图形集的方法，使得能够捕获稀疏块级和密集原子级交互，通过进行广泛的实验证实了该方法对不同领域和不同任务进行可转移的学习具有潜力。
molecular interactionsgeometric graphgeneralist equivariant transformerprotein-protein affinitytransferable knowledge
发现论文，激发创造
  • 用于多领域三维分子的统一几何学学习的等变预训练变压器

    Equivariant Pretrained Transformer (EPT) 是一种新颖的预训练框架，旨在通过块增强表示统一多领域分子的几何建模，同时通过 E (3) 不变性进一步增强 Transformer 框架，通过块级预训练任务，实现了同时在包含小分子和蛋白质的数据集上进行预训练，并在多个任务中显著优于之前的方法。

    Feb, 2024

  • PolyGET: 准确且可推广的等变变换器力场加速聚合物模拟

    PolyGET 是一种用于聚合物力场的通用等变换器模型，通过优化力而不是能量，可以捕捉聚合物间的复杂量子相互作用，并实现准确性和鲁棒的分子动力学模拟。

    Sep, 2023

  • 目标感知分子生成和亲和力预测的 3D 等变扩散

    本研究基于 3D 等变扩散模型实现有标的分子设计，并提出了一种综合的评估框架来评估样本分子的质量，实验结果表明，该模型能够更好地生成具有更逼真的 3D 结构和更好的与蛋白靶点的亲和力，而且在不重新训练的情况下能够提高结合亲和力排名和预测质量。

    Mar, 2023

  • ETDock: 一种新颖的蛋白质 - 配体对接等变换 Transformer 模型

    应用等变性转换神经网络模型，利用蛋白质和配体的 3D 空间信息以及配体的图级特征进行融合和学习，实现了蛋白质 - 配体对接位姿的预测，并通过迭代优化生成精炼的配体位姿，实验证明该模型具有最先进的性能。

    Oct, 2023

  • GeoMFormer：一种用于几何分子表示学习的通用架构

    通过 GeoMFormer 这一基于 Transformer 的分子模型，在维持和学习不变和等变表示的同时，通过精心设计的交叉注意力模块实现信息融合和增强几何建模，以提高不同类型和规模的不变和等变任务的性能。

    Jun, 2024

  • 一种 Transformer 模型可以理解 2D 和 3D 分子数据

    本文提出了 Transformer-M 模型，可以对 2D 和 3D 分子结构信息进行编码和语义表示，通过合适的监督信号训练获得对不同数据格式的知识，从而能够广泛应用于不同的任务。

    Oct, 2022

  • 基于能量激发的等变预训练对 3D 分子图的研究

    本文提出一种新的三维分子预训练方法，该方法采用等变能量基模型作为主干网络，以预测节点力信息为目标进行节点级预训练损失计算，并采用高斯分布以保证其 E（3）不变性，同时通过图层级噪声缩放预测任务来进一步提高模型性能，实验结果表明，该方法在两个挑战性的三维基准测试上均取得了比当前最先进的预训练方法更佳的表现。

    Jul, 2022

  • 使用三维几何预训练分子图表示

    本研究提出了图多视角自编码（Graph Multi-View Pre-training）框架，使用自监督学习（self-supervised learning）通过 2D 拓扑和 3D 几何视图之间的对应和一致性提高了对分子图表示的学习能力，并通过实验证明其有效性高于现有的图自监督学习方法。

    Oct, 2021

  • 基于几何感知的线图变换预训练用于分子性质预测

    本文提出了 Geometry-aware line graph transformer (Galformer) 预训练方法，采用 2D 和 3D 模态增强分子表示学习，通过对无标签的分子进行两个互补的预训练任务，提取出 2D 和 3D 知识，并在性质预测方面表现出优越性能。

    Sep, 2023

  • 用于三维大分子结构的等变图神经网络

    应用等变图神经网络提高在结构生物学中解决机器学习中出现的三维大分子结构的难题，在八个任务中，在三个任务上超越了所有基准模型，在另外两个任务上并列第一，在使用高阶表示和球面谐波卷积的等变网络中表现良好。此外，我们证明迁移学习可以进一步提高特定下游任务的性能。

    Jun, 2021