MoleCLUEs: 通过可微分的不确定性最小化优化分子构象

ICMLJun, 2023

MoleCLUEs: 通过可微分的不确定性最小化优化分子构象

MoleCLUEs: Optimizing Molecular Conformers by Minimization of Differentiable Uncertainty

Michael Maser, Natasa Tagasovska, Jae Hyeon Lee, Andrew Watkins

TL;DR本文提出了一种减少预测模型中不确定性的方法，即通过计算学习嵌入的 Aleatoric 和 Epistemic 不确定性的可微估计值，并训练一个优化器，迭代地从中减少这些不确定性，以生成一种名为 MoleCLUEs 的新嵌入，同时提供了在预测药物属性方面的结果和不同 iable 结构模拟的分析。

Abstract

structure-based models in the molecular sciences can be highly sensitive to input geometries and give predictions with large variance under subtle coordinate perturbations. We present an approach to mitigate this failure mode by generating conformations that explicitly minimize uncerta

structure-based models uncertainty reduction predictive model variational autoencoder drug properties

发现论文，激发创造

基于不确定性的集体变量增强采样的稳健分子数据集

为机器学习的原子间势提供了能够代表分子系统可访问配置空间的数据集的生成方法，该方法利用不确定性作为集体变量以引导获取与化学相关的数据点，重点关注机器学习模型预测最不确定性的配置空间区域，并在丙氨酰二肽基准系统上验证了该方法在克服能量壁垒和探索未知能量最小值方面的有效性。

Feb, 2024

E (3)- 不变分子构象聚合网络

通过集成分子的 2D 表示和其多个构象体的表示，提出了一种新颖的 2D-3D 聚合机制，结合了分子的属性预测和机器学习方法，在已有数据集上显著优于现有的方法。

Feb, 2024

针对不确定性评估的多样、全球化和摊销因果解释

本研究提出了三种新方法（delta-CLUE，nabla-CLUE 和 GLAM-CLUE），以解决现有方法（CLUE）存在的一些问题，例如冗余解释和处理不同类型的不确定性输入，从而更好地解释不确定性估计。

Dec, 2021

利用深度生成图神经网络进行分子几何预测

本文提出了一种基于条件深度生成图神经网络的分子构像生成方法，可以在数据驱动的基础上直接学习生成符合能量有利的、更可能在实验中被观察到的分子构像，相较于传统力场方法生成的构像更加接近于参考构像，并且保持着几何多样性，可以提供传统力场方法的初始坐标。

Mar, 2019

利用消息传递神经网络集合进行分子属性预测的校准不确定性

本文提出了一种通过考虑统一的不确定性来源并在新数据上重新校准预测分布的信息传递神经网络，能够使神经网络准确预测分子的形成能，并且提供可靠的不确定性估计。

Jul, 2021

一种基于双层规划的分子构象生成的端到端框架

该论文提出了一种基于条件变分自编码器框架的端到端的分子构象预测解决方案，称为 ConfVAE，通过解决一个有原则的双层优化程序来生成 3D 结构，并在几个基准数据集上进行广泛的实验证明了该方法的有效性。

May, 2021

CHA2: 面向反向分子设计的化学感知凸包自编码器

通过使用自编码器将分子结构转换为潜在空间，再通过在高 QED 分子周围构建凸包来限制搜索空间，以优化分子设计和发现新的化学结构。

Feb, 2023

一种用于分子距离几何的生成模型

该研究提出了一种基于概率模型和欧几里得距离几何学的分子生成模型，并且在分子构象生成的新基准测试中显示其具有最先进的准确性；最后，展示了如何将该模型用作重要采样方案中的提议分布来计算分子属性。

Sep, 2019

基于不确定性指导下的变分自编码器精细调优强化生成分子设计

通过性能反馈在主动学习环境中，我们提出了一种预先训练的变分自动编码器 (VAE) 基因设计模型的模型不确定性引导微调的新方法，通过量化生成模型中的模型不确定性，扩展了有效分子的空间，并利用多样性解码器探索生成优化的多个高性能模型，实验结果表明，我们的不确定性引导微调方法在六个目标分子属性上始终优于原始预训练模型。

May, 2024

GEOM：用能量注释的分子构象进行性质预测和分子生成

使用密度泛函理论和高级采样方法生成超过 450,000 种分子的 3D 构象，这将有助于从构象集合中预测分子性质并进行生成模型的开发。

Jun, 2020