基于等变扩散的生成模型的设计空间对于全新的 3D 分子生成的导航

Sep, 2023

基于等变扩散的生成模型的设计空间对于全新的 3D 分子生成的导航

Navigating the Design Space of Equivariant Diffusion-Based Generative Models for De Novo 3D Molecule Generation

Tuan Le, Julian Cremer, Frank Noé, Djork-Arné Clevert, Kristof Schütt

TL;DR深度生成扩散模型在材料科学和药物发现中是一种有前途的新途径。然而，它们的效用仍受到大分子结构和有限的训练数据的限制。本研究通过对连续和离散状态空间的相互作用进行广泛的比较分析，探索了 E (3) 等变扩散模型的设计空间并提出了 EQGAT-diff 模型。该模型在 QM9 和 GEOM-Drugs 数据集上的表现显著优于现有模型，并通过引入连续原子位置、分类化学元素和键类型，并采用时间依赖的损失加权，显著提高了训练收敛性和生成样本的质量。我们还研究了将在 PubChem3D 数据集上针对隐式氢训练的 EQGAT-diff 模型迁移到具有显式氢的目标分布的可行性，并通过若干迭代的微调进一步推动数据集上的最新性能。本研究的发现有望在基于结构的药物设计中应用，尤其对于复杂分子的小数据集的生成模型的准确性至关重要。

Abstract

deep generative diffusion models are a promising avenue for de novo 3D molecular design in material science and drug discovery. However, their utility is still constrained by suboptimal performance with large molecular structures and limited training data. Addressing this gap, we explo

deep generative diffusion models e(3) equivariant diffusion models eqgat-diff model training convergence structure-based drug design

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

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

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

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

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

MUDiff：完整分子生成的统一扩散

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。

Apr, 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

矢量场导向的晶体材料生成扩散模型

我们提出一种基于几何等变的 GNN 的概率扩散模型，可以同时考虑原子位置和晶格，以发现具有特定化学性质的晶体结构，并通过新的生成度量方法评估模型的有效性。

Dec, 2023

EquiDiff: 条件等变扩散模型的轨迹预测

使用 EquiDiff，一种基于条件扩散模型的深度生成模型，该模型能够通过结合历史信息和随机高斯噪声生成未来的车辆轨迹，并且通过应用循环神经网络和图注意力网络来提取历史轨迹中的社交互动。在对 NGSIM 数据集进行广泛实验证明，EquiDiff 在短期预测上优于其他基准模型，但在长期预测方面具有稍高的误差，并通过消融研究探究了 EquiDiff 的各个组成部分对预测准确性的贡献，并提供了扩散模型生成过程的可视化，以揭示预测的不确定性。

Aug, 2023