分子 GNN 的预训练作为条件玻尔兹曼生成器

AAAIDec, 2023

分子 GNN 的预训练作为条件玻尔兹曼生成器

Pre-training of Molecular GNNs as Conditional Boltzmann Generator

Daiki Koge, Naoaki Ono, Shigehiko Kanaya

TL;DR我们提出了一种预训练方法，使用现有的分子构形数据集生成适用于多个构形的潜在向量，从而解决了获取多个构形的计算成本高的问题，并展示了我们的模型在分子性质预测方面优于使用分子图和三维分子结构的现有预训练方法。

Abstract

Learning representations of molecular structures using deep learning is a fundamental problem in molecular property prediction tasks. Molecules inherently exist in the real world as three-dimensional structures;

molecular structures deep learning 4d-qsar model molecular gnns boltzmann gnn

发现论文，激发创造

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

3D Infomax 提高了分子属性预测的 GNN 性能

该研究提出了一种基于 2D 分子图的分子几何预训练模型，通过自监督学习方法，使其能够生成隐含的 3D 信息，显著提升各种性质的预测表现，并可跨多个不同的分子空间进行有效的迁移学习。

Oct, 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

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

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

用 Von Mises 混合分布产生分子构象

本文介绍了一种名为 VonMisesNet 的图神经网络模型，该模型能够在物理上准确地生成分子共形性，并且比传统的采样方法快得多。

Jun, 2023

3DMolNet：分子结构生成网络

使用可变自编码器学习分子的三维结构，实现对分子结构的建模，生成具有结构和组成合法性的分子结构

Oct, 2020

使用 GNN 特性预测器作为分子生成器

利用可逆神经网络直接生成具有期望电子性质的分子结构，该方法不需要对分子结构进行额外训练，通过严格的图构建规则确保化合价规则，将该方法应用于生成具有特定能隙和分配系数（logP）的分子，并在生成更多样化分子的同时，以与最先进的生成模型相媲美甚至更好的速率实现目标性质。

Jun, 2024

通过更深的二维和三维图网络进行快速量子属性预测

本研究使用基于深度图神经网络的方法，通过从二维分子图中直接学习，以及通过使用低成本构象集合，预测量子化学性质中的 HOMO-LUMO 能隙，并在 2021 KDD Cup 中表现出良好性能。

Jun, 2021

构象合集下的分子机器学习

利用多个构象的 3D 信息可以改善深度学习模型在分子性质预测中的表现，我们介绍了多重深度学习模型，并将其在二维、三维和四维表示中的表现进行了测试，深度学习模型可以学习每个构象的可解释性关注权重。

Dec, 2020