Feb, 2024

基于相似度核的零射新型分子生成

PDF
TL;DR通过分析得分模型，本研究发现生成分子过程中的得分模型在起始时类似恢复势能，在最后则类似量子力学力，两者之间表现出特殊性质以便生成较大的分子。基于训练出的模型，本研究提出了一种新的零样本分子生成方法 —— 基于相似性的分子生成（SiMGen），该方法结合了时间相关的相似性核和预训练的机器学习力场描述符，能够实现不进行进一步训练的分子生成，并通过点云先验实现对分子形状的完全控制，并支持条件生成。研究者还发布了一个交互式网络工具，使用户能够在线使用 SiMGen 生成结构。
generative modellingscore-based generative modelsequivariant neural networksenergy-based diffusion modelzero shot molecular generation
发现论文，激发创造
  • 用于有针对性分子发现的对称适应的 3D 点集生成

    利用深度学习的生成模型对分子和材料进行快速的预测，同时引入了一种能够识别非键合作用和立体异构体，并且能够偏向于小 HOMO-LUMO 间隙分子生成的生成式神经网络。

    Jun, 2019

  • 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

  • 一种用于分子距离几何的生成模型

    该研究提出了一种基于概率模型和欧几里得距离几何学的分子生成模型，并且在分子构象生成的新基准测试中显示其具有最先进的准确性；最后，展示了如何将该模型用作重要采样方案中的提议分布来计算分子属性。

    Sep, 2019

  • 通过潜空间能量建模与逐步分布转移的分子设计

    本文提出了一种生成模型，基于能量模型（EBM）和分子生成模型、性质回归模型生成具有期望化学和生物性质的体小分子，并引入了逐步分布转移采样算法（SGDS），从而在训练的分子数据和性质的基础上，逐步将模型分布转移到具有期望性质的分子区域，取得了很好的实验效果。

    Jun, 2023

  • 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

  • 基于评分的蛋白质分子动力学增强采样

    本文介绍了一种新型的蛋白质构象采样方法，它使用基于分数的生成模型（SGMs）训练的多层分数函数直接采样构象，以弥补传统 MD 仿真过程中采样样本不足的问题，并通过在多个基准系统上进行比较，证明了该方法的有效性。

    Jun, 2023

  • 一种生物启发式的多模态分子生成机器学习评估方法

    本研究为分子生成模型提出了一个新的具有生物学启发的评估基准，重点关注配体 - 靶标相互作用，提出了一系列有关蛋白质配体亲和预测、分子对接等与药物发现过程直接相关的指标，并采用多模态方法结合各个指标进行评估，结果表明该单元模式可能导致关于靶标与分子相互作用的错误结论，从而创建了一个高度有效的工具来评估分子生成输出，为药物发现过程的丰富提供了可能性。

    Aug, 2022

  • 分子属性预测的图多相似性学习

    我们提出了图形多相似学习（GraphMSL）框架，它在连续尺度上捕捉了分子的自相似性和相对相似性，从而显著提高了分子性质预测中的表示学习的效果。此框架通过不同化学模态推导出单峰多相似性度量，融合这些度量到多模态形式中，灵活的融合函数可以重塑模型的重点以传达不同的化学语义，并通过各种下游任务和事后分析显示出了显著的性能，在药物发现评估中具有重要潜力。

    Jan, 2024

  • 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

  • 应用基于量子启发式生成模型于小分子数据集

    本研究探讨了利用基于张量网络的生成模型在分子发现问题上的应用，并将其与其他模型进行了比较和评估，结果表明通过模型的组合可以取得更好的结果，提高了经典和量子 (- 启发式) 生成学习的统一性。

    Apr, 2023