Dec, 2023

分子联合自编码：2D 和 3D 扩散下的轨迹预训练

PDF
TL;DR该研究提出了一种面向分子联合自编码（MoleculeJAE）的预训练方法，该方法可以学习分子的二维键和三维构象信息，通过扩增轨迹的弥散过程模型，MoleculeJAE 能够以自我监督的方式学习分子的化学结构，优于与其相比的 12 个竞争基准，在 20 个任务中有 15 个任务达到了最先进的性能水平。
artificial intelligencedrug discoverymolecule geometrymachine learningpretraining method
发现论文，激发创造
  • 分子属性预测的自动化三维预训练

    本文提出了一个名为 3D PGT 的新颖框架，它可以在无法获得几何结构的实际应用情况下，以 2D 结构为输入预测分子属性，实验证明与各种预训练基线相比，其具有更高的准确性，效率和泛化能力。

    Jun, 2023

  • 一种分组对称随机微分方程模型用于分子多模态预训练

    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

  • 学习联合 2D 和 3D 扩散模型以生成完整分子

    本文提出了一种新的联合 2D 和 3D 扩散模型 (JODO)，它通过 Diffusion Graph Transformer 参数化数据预测模型，可以生成具有原子类型、形式电荷、键信息和 3D 坐标的完整分子，表现出色，具有逆向分子设计和分子图形生成的优越性能。

    May, 2023

  • 分子表示的统一的 2D 和 3D 预训练

    本文基于统一的 2D 和 3D 预训练，提出了一种新的基于图神经网络的表示学习方法，将原子坐标和原子间距编码，并通过图神经网络将其与原子表示融合。在 11 个下游分子属性预测任务中进行评估，其在 10 项任务中都获得了最先进的结果，2D 任务平均改进了 8.3％，同时在 2 个三维构象生成任务中也取得了显着的改进。

    Jul, 2022

  • 3D-Mol: 分子属性预测的新型对比学习框架与三维信息

    通过提取三维特征和使用对比学习的方法，我们的研究提出了一种名为 3D-Mol 的新型三维结构分子建模方法，用于准确表示空间结构，并在 7 个基准测试中展示了出色的性能。

    Sep, 2023

  • 使用三维几何预训练分子图表示

    本研究提出了图多视角自编码（Graph Multi-View Pre-training）框架，使用自监督学习（self-supervised learning）通过 2D 拓扑和 3D 几何视图之间的对应和一致性提高了对分子图表示的学习能力，并通过实验证明其有效性高于现有的图自监督学习方法。

    Oct, 2021

  • 蛋白质折叠模拟的几何解耦表示学习

    利用生成型神经网络学习药物靶标蛋白结构的结构集合，以便于更好的理解药物机理和发展治疗方法，同时通过蛋白几何自编码器模型在蛋白质的内在和外在几何学上进行分离编码，快速生成蛋白质构象的方案。

    May, 2022

  • 使用 SE（3）不变去噪距离匹配进行分子几何预训练

    提出了利用 3D 几何结构进行预训练的方法，并提供了一种 3D 坐标去噪预训练框架以建模分子的平滑势能面。实验验证了该方法的效果和稳健性。

    Jun, 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

  • 分子图生成的联合树变分自编码器

    本文提出了一种基于 junction tree variational autoencoder 生成具有化学相关性的分子图的方法，能够在保持化学有效性的情况下，通过生成固定结构的分子骨架并使用图消息传递网络组合它们。研究人员在多个任务上进行了评估，并发现该方法明显优于之前的最先进基准。

    Feb, 2018