Nov, 2023

生成分子构象场

PDF
TL;DR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。
发现论文，激发创造
  • 分子构象生成的梯度场学习

    本文研究计算化学中的分子构象生成问题，提出一种基于力场方法和评分生成模型的新方法 ConfGF，通过直接估计原子坐标的梯度场直接生成稳定构象，实验结果表明 ConfGF 明显优于现有的最新基线。

    May, 2021

  • 分子构象生成的神经生成动力学学习

    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

  • 基于分数偏移的分子构象生成

    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

  • 药物分子构型的物理知识生成模型

    基于扩散的生成模型，通过深度学习从大规模训练集中推断原子类型和几何参数，以取得高精度的键合参数，超过传统的基于知识的方法，并与实验结构进行比较。

    Feb, 2024

  • 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

  • 扩散驱动的分子构象预测生成框架

    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

  • 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

  • 分子构象生成的扭转扩散

    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

  • 直接生成分子构象

    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

  • GeoMol：分子 3D 构形的扭转几何生成

    提出了一种基于机器学习的方法 GeoMol，可以生成分子的 3D 构象，并且相较于一些开源、商业或者最先进的机器学习模型表现更为出色，同时具有过程全自动化的特点。

    Jun, 2021