Jul, 2024

利用分数去噪预训练来增强分子性质预测

HTML
PDF
TL;DR深度学习方法在药物发现和材料设计的分子筛选加速方面被认为具有很大的潜力。我们介绍了一种名为分数降噪（Frad）的分子预训练框架，它能够解耦噪声设计与力学习等价性所施加的约束，从而允许噪声的定制化，以显著改善分子分布建模。实验证明，我们的框架始终优于现有方法，在力学预测、量子化学性质和结合亲和力任务方面取得了最先进的结果。精细的噪声设计提高了力学准确性和采样覆盖率，为创建物理一致的分子表示提供了贡献，从而最终实现了更好的预测性能。
发现论文，激发创造
  • 双视角分子预训练

    该研究提出了一种双视图分子预训练算法（简称DMP），旨在将分子的图表示和SMILES序列表示相结合进行预训练，经过在多种分子特性预测任务和合成规划任务上的测试，DMP都取得了最先进的表现。

    Jun, 2021

  • 分子性质预测的去噪预训练

    该论文描述了一种基于去噪自编码的预训练技术，通过利用大量的3D分子结构数据学习下游任务的有意义的表示，从而实现分子属性预测的最新技术；实验证明，使用这种预训练目标显著提高了多个基准测试的性能，在广泛使用的QM9数据集中取得了新的最新技术成果。

    May, 2022

  • 使用反应预测预训练变形金刚进行分子属性预测

    本文旨在使用反应数据进行预训练分子表示的过程，运用在MoleculeNet的12个分子属性预测任务上，结果显著地提高了预测模型的表现。

    Jul, 2022

  • 非平衡分子的降噪预训练，用于准确和可转移的神经势

    本文提出了基于去噪预训练(Equivariant Graph Neural Networks)的新型神经势能预测方法，旨在解决对于大规模、复杂的分子体系建立准确、具有可迁移性的GNN神经势能预测模型的问题。实验结果表明，该方法具有很好的实用性，并成功地提高了神经势能预测的准确性。

    Mar, 2023

  • 使用去噪扩散概率模型对分子图进行变分自编码

    本文提出了一种新的分子深度生成模型，该模型在概率潜变量中加入分层结构，并能通过小数据集实现有效的分子潜在向量设计和物性预测。

    Jul, 2023

  • 三维分数降噪分子预训练

    通过引入混合噪声策略和分数去噪方法（Frad），本研究提出一种新的坐标去噪方法，用于改进分子表示，并在QM9的12个任务中有9个任务达到新的最先进水平，并在MD17的8个目标中有7个目标取得了最先进水平。

    Jul, 2023

  • 愿原力与你同在：基于力的统一预训练方法用于3D分子构象

    我们提出了一种力导向的预训练模型，用于涵盖平衡和非平衡数据的三维分子构象，通过直接学习非平衡数据的原子力，以及引入零力正规化和基于力的去噪技术来近似接近平衡力转化为近千其他鞠躬。我们的预训练模型对于三维分子表示具有统一的作用，通过预训练目标，力的准确性相比未经预训练的等变变压器模型提高了约3倍，同时通过在平衡数据上添加正规化项，解决了原始等变变压器中不稳定的分子动力学模拟问题，实现了与NequIP相比2.45倍更快的推理时间，并达到了与最先进的属性预测任务相当的性能。

    Aug, 2023

  • 3D去噪器是优秀的2D教师：通过去噪和跨模态蒸馏进行分子预训练

    D&D是一种自监督的分子表示学习框架，通过从3D去噪器中提炼的表示来预训练2D图形编码器，并在下游任务中无需准确的构象器获得3D信息和卓越的性能。

    Sep, 2023

  • 切片去噪：一种基于物理信息的分子预训练方法

    该论文提出一种名为SliDe的分子预训练新方法，利用切片去噪策略及随机切片方法，提高对分子力场的精确预测能力，从而优于传统基准模型在分子性质预测任务上的表现。

    Nov, 2023

  • 推广去噪至非平衡结构改善等变原子力场

    本文提出了一种使用去噪非平衡结构（DeNS）作为辅助任务来更好地利用训练数据和提高性能的方法，通过对非平衡结构添加噪声并预测噪声来实现对非平衡结构的去噪，进而改善在OC20、OC22和MD17数据集上的训练效率并取得了新的最先进结果。

    Mar, 2024