AAAIJan, 2024

基于几何优化的去噪扩散模型用于三维分子生成

PDF
TL;DR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。
denoising diffusion models3d molecule generationneural networkmolecular dynamicsgeometric-facilitated molecular diffusion
发现论文，激发创造
  • 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

  • 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

  • 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

  • 基于几何潜在扩散模型的三维分子生成

    本研究提出了一种基于几何潜变扩散模型（GeoLDM）的新方法，通过在潜空间中运行扩散模型来生成分子的三维几何结构。该方法对生成大分子的有效百分比有 7％的提升。

    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

  • 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

  • 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

  • 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

  • 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