E (3)- 不变分子构象聚合网络
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
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
使用密度泛函理论和高级采样方法生成超过 450,000 种分子的 3D 构象,这将有助于从构象集合中预测分子性质并进行生成模型的开发。
Jun, 2020
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
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
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。
Dec, 2023
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
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
我们提出了一种力导向的预训练模型,用于涵盖平衡和非平衡数据的三维分子构象,通过直接学习非平衡数据的原子力,以及引入零力正规化和基于力的去噪技术来近似接近平衡力转化为近千其他鞠躬。我们的预训练模型对于三维分子表示具有统一的作用,通过预训练目标,力的准确性相比未经预训练的等变变压器模型提高了约 3 倍,同时通过在平衡数据上添加正规化项,解决了原始等变变压器中不稳定的分子动力学模拟问题,实现了与 NequIP 相比 2.45 倍更快的推理时间,并达到了与最先进的属性预测任务相当的性能。
Aug, 2023