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

我们提出了一种力导向的 SE (3) 扩散模型 ConfDiff，用于蛋白质构象的生成，该模型融合了力导向网络和基于数据的评分模型，能够生成具有多样性且高保真性的蛋白质构象。实验证明，我们的方法在多种蛋白质构象预测任务中优于现有方法。

Mar, 2024

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

本研究提出了一种新的方法，直接预测分子的坐标，通过适应性地聚合键和原子信息，迭代地细化生成构象的坐标，该方法在 GEOM-QM9 和 GEOM-Drugs 数据集上取得了最佳结果，并通过提供更好的初始构象来改善分子对接。

Feb, 2022

本文提出了一种结合了流模型与能量模型的方法，以解决机器学习在从分子图生成分子空间构象时存在的挑战。经过大量实验，证明该方法在分子构象生成和距离建模任务上具有显著的改进和卓越性能。

Feb, 2021

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

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

本论文探讨了在给定分子图的情况下如何在三维空间中生成分子构象的问题，并将这些构象参数化为将分子图中的元素映射到三维空间中的连续函数。我们通过使用扩散生成模型 —— 分子构象场（Molecular Conformer Fields，MCF）来学习生成构象的分布。我们的方法简单而可扩展，在具有挑战性的分子构象生成基准测试中取得了最先进的性能，同时对分子的显式结构（例如建模转动角度）不做任何假设。MCF 在将扩散模型扩展到处理复杂科学问题方面表示了一种概念简单、可扩展且有效的进展。

Nov, 2023

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

本研究通过现有方法引入的近似误差视角，系统研究了 SE (3) 不变空间中的扩散机制，从而在投影微分方程的背景下发展了更精确的近似方法，并提出了一种新的加速方案，可以在 SE (3) 不变空间中以 50 倍至 100 倍的速度生成高质量的分子构象。

Oct, 2023