Jun, 2024

提升您的分子：在潜在欧几里得空间中生成分子图

PDF
TL;DR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。
molecular graph generation3d molecular generative modelssynthetic coordinate embeddingpoint cloud-structured latent spacee(3) equivariant diffusion model
发现论文，激发创造
  • 基于几何潜在扩散模型的三维分子生成

    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

  • 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

  • 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

  • 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

  • 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

  • 多类型点云自编码器：适用于分子构象和姿态的完全等变嵌入

    基于点云的分子 O (3) 编码网络（Mo3ENet）：一种新的自编码器用于多类型点云，具有全局 3D 姿态，通过高斯混合表示的重建损失函数训练及评估，可用于向量分子属性预测和其他 3D 分子姿态相关任务。

    May, 2024

  • 通过合成坐标在分子图上进行定向信息传递

    本文提出一种使用合成坐标的图神经网络方法，该方法不要求提供真实的分子结构，通过使用不同的距离和角度信息转换使得原来的图神经网络性能提升了 55%, 并在 ZINC 和 QM9 领域中创造了最新的记录。

    Nov, 2021

  • 生成有效的欧几里得距离矩阵

    利用具有对称不变层的神经网络生成 Euclidean 距离矩阵，并使用其构建了一个 Wasserstein GAN，可以一次性生成具有三维嵌入的分子结构。

    Oct, 2019

  • NeVAE：分子图形的深度生成模型

    本文提出了一种适用于分子结构的、特别设计了多项技术创新的变分自编码器，并发展了一个梯度优化算法用于优化其生成分子的能力，实验结果表明该模型比多种现有模型更能够有效地发现合理、多样且新颖的分子。

    Feb, 2018

  • 分子图结构共设计等变生成框架

    通过 MolCode 的 roto-translation equivariant 模型，结合 2D 拓扑和 3D 几何信息，不仅可以成功设计出 99.95% 有效性和 98.75% 独特性的分子结构，同时还能帮助发现高亲和力的小分子靶向药物。

    Apr, 2023