通过微分几何的视角，本研究对 SE (3) 不变空间中的扩散机制进行了数学界定，揭示了坐标与点间距流形之间的相互作用行为，并提出了准确且无需投影的扩散 SDE 和 ODE 公式，从而提高了生成路径的性能和速度，并为其他包含 SE (3) 不变性的系统提供了有价值的见解。

Mar, 2024

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

通过研究快速采样方法在扩散模型中的最新进展，我们应用这些方法到三维分子构型，并通过 Equivariant Latent Progressive Distillation 算法，实现从潜在扩散模型中快速生成分子构型。我们在分子结构稳定性与速度提升之间进行权衡，并展示了高达 7.5 倍的采样速度提升以及有限的分子稳定性下降。结果表明，这种加速采样方法在计算生物化学、药物发现和生命科学应用中具有强大的高通量筛选潜力。

Apr, 2024

分子构象生成的新方法通过将分子的反积分过程视作对由分子所组成的原子施加逐渐增加的力场，从而使原子间距的变化分布从高斯分布向麦克斯韦 - 玻尔兹曼分布转变，该生成模型保证了可行的原子间距几何，并且具有时间可逆性。实验结果表明，该方法相比最先进的技术具有优势。

Sep, 2023

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

我们开发了基于分数的生成模型（SGMs）和去噪扩散概率模型（DDPMs）的扩展，用于三维旋转的李群 SO（3），并应用于合成密度和姿态估计任务，在天体物理学 / 宇宙学中预测相关星系方向。

Dec, 2023

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

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

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

本文提出了一种基于分组对称（例如 SE（3）- 等变和反射反对称）随机微分方程模型的新方法 MoleculeSDE 来处理单个模态学习不足的问题，并解决了现有分子多模态预训练方法所遭遇到的分子的结构信息丢失问题，并通过与 17 个预训练基线的比较，实证验证了 MoleculeSDE 在 32 个下游任务中 26 个的领先表现。

May, 2023