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
使用扩散生成模型结合图神经网络,利用分子结构的潜在表示进行蛋白质结构的训练和优化,提高生成结构质量并减少推理时间。
Nov, 2023
本文提出了一种基于条件扩散的离散图结构(CDGS)的分子图生成方法,通过随机微分方程(SDE)实现正向图扩散过程并得出离散图结构作为逆向生成过程的条件,利用普通微分方程(ODE)求解器进行高效的图采样,在各种数据集上验证了该框架的有效性,特别是在有限的步骤中仍能生成高质量的分子图。
Jan, 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
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
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
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
我们提出了一种基于子图扩散的新型图生成框架 SGDM,它不仅提高了图扩散模型的可扩展性和准确性,还通过逆过程执行了多种条件生成任务,包括去噪、扩展和样式迁移等。
深度生成扩散模型在材料科学和药物发现中是一种有前途的新途径。然而,它们的效用仍受到大分子结构和有限的训练数据的限制。本研究通过对连续和离散状态空间的相互作用进行广泛的比较分析,探索了 E (3) 等变扩散模型的设计空间并提出了 EQGAT-diff 模型。该模型在 QM9 和 GEOM-Drugs 数据集上的表现显著优于现有模型,并通过引入连续原子位置、分类化学元素和键类型,并采用时间依赖的损失加权,显著提高了训练收敛性和生成样本的质量。我们还研究了将在 PubChem3D 数据集上针对隐式氢训练的 EQGAT-diff 模型迁移到具有显式氢的目标分布的可行性,并通过若干迭代的微调进一步推动数据集上的最新性能。本研究的发现有望在基于结构的药物设计中应用,尤其对于复杂分子的小数据集的生成模型的准确性至关重要。
Sep, 2023
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