基于扩散驱动的领域自适应生成3D分子
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
提出了一种简单而新颖的方法,使用物理和统计学的先验信息来引导扩散生成模型的训练,通过构建基于物理信息的扩散桥梁来实现,其在高质量分子生成方面提供了强大的方法。
Sep, 2022
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
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
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
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
逆向分子设计的多条件扩散模型与转换器编码去噪模型相结合,成功实现了高性能材料和药物发现,并在聚合物和小分子生成任务中展示了优越的分布学习和条件控制表现。
Jan, 2024
本文介绍了一种基于扩散语言模型的文本导向分子生成方法(TGM-DLM),该方法在生成具有特定文本描述的分子时克服了自回归方法的局限性,并通过两阶段的扩散生成过程共同和迭代地更新SMILES字符串中的标记嵌入。实验证明,TGM-DLM模型在生成具有特定属性的连贯且准确的分子方面优于自回归模型MolT5-Base,无需额外的数据资源,为药物发现和相关科学领域开辟了新的途径。
Feb, 2024
通过合成构象坐标和E(n)-等变图神经网络(EGNN)将分子图映射到欧几里得点云,我们介绍了一种新的分子图生成的框架——SyCo。学习其逆映射后,可以应用现有的3D分子生成模型。此方法将图生成问题简化为点云生成问题,随后进行节点和边的分类任务。此外,我们提出了一种基于修复和引导的新型相似性约束的3D扩散模型优化方案。作为我们框架的一个具体实现,我们开发了基于E(3)等变扩散模型(EDM)的EDM-SyCo,在分子图的分布学习中实现了最先进的性能,在ZINC250K和大规模GuacaMol数据集上优于最佳的非自回归方法30%以上,同时将条件生成的性能提高了最多3.9倍。
Jun, 2024