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
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
我们提出了一种力导向的 SE (3) 扩散模型 ConfDiff,用于蛋白质构象的生成,该模型融合了力导向网络和基于数据的评分模型,能够生成具有多样性且高保真性的蛋白质构象。实验证明,我们的方法在多种蛋白质构象预测任务中优于现有方法。
Mar, 2024
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
本文提出了一种新的分子构象生成算法,通过基于扭转角度的扩散方法在高维空间上操作,并使用内外积分评分模型,其性能在药物样品基准中明显优于机器学习和化学信息学方法,同时比基于扩散模型的先前模型快几个数量级,此外,该模型提供了精确的似然度,用于构建第一个有效的玻尔兹曼生成器。
Jun, 2022
利用基于蛋白质为环境约束的扩散模型,在非自回归的完整原子水平上,去噪元素类型和整个分子的三维坐标,学习生成过程,相较其他方法具有更高的相似性和更适当的分子大小以及其他药物性质。
Nov, 2022
本文提出了一种生成指定蛋白质结合位点分子的 3D 生成模型,可应用于结构基因设计任务,通过学习原子的概率密度分布并提出自回归采样策略,实现了生成有效和多样性分子的能力,在实验结果中表现出较高的亲和力和良好的药物特性。
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
通过引入侧面信息,我们提出了一种新方法来生成配体构象,该方法在标准扩散模型中融入了灵活的约束,并使用标量化学特征训练能源模型,从而生成更具生物学意义的构象。
Aug, 2023
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。
Jan, 2024