Sep, 2024

geom2vec：将预训练的GNN作为构象动态的几何特征提取器

HTML
PDF
TL;DR本研究解决了分子模拟中识别低维动态特征的难题，提出了一种名为geom2vec的方法，该方法利用预训练的图神经网络（GNN）作为通用几何特征提取器。关键发现是，利用所学的结构表示可以直接分析轨迹数据，显著简化了手动特征选择过程，并提高了模拟分析的稳健性。
发现论文，激发创造
  • 利用深度生成图神经网络进行分子几何预测

    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

  • GEOM：用能量注释的分子构象进行性质预测和分子生成

    使用密度泛函理论和高级采样方法生成超过 450,000 种分子的 3D 构象, 这将有助于从构象集合中预测分子性质并进行生成模型的开发。

    Jun, 2020

  • GeoMol：分子3D构形的扭转几何生成

    提出了一种基于机器学习的方法 GeoMol，可以生成分子的3D构象，并且相较于一些开源、商业或者最先进的机器学习模型表现更为出色，同时具有过程全自动化的特点。

    Jun, 2021

  • 3D Infomax提高了分子属性预测的GNN性能

    该研究提出了一种基于2D分子图的分子几何预训练模型，通过自监督学习方法，使其能够生成隐含的3D信息，显著提升各种性质的预测表现，并可跨多个不同的分子空间进行有效的迁移学习。

    Oct, 2021

  • 基于能量激发的等变预训练对3D分子图的研究

    本文提出一种新的三维分子预训练方法，该方法采用等变能量基模型作为主干网络，以预测节点力信息为目标进行节点级预训练损失计算，并采用高斯分布以保证其E（3）不变性，同时通过图层级噪声缩放预测任务来进一步提高模型性能，实验结果表明，该方法在两个挑战性的三维基准测试上均取得了比当前最先进的预训练方法更佳的表现。

    Jul, 2022

  • 三维分子图形的几何完整感知机网络

    介绍了一种新的 GCPNet 图神经网络，其具有 SE(3) 置换对称性，用于 3D 分子图形表示学习，在蛋白质-配体结合亲和力预测，蛋白质结构排序和牛顿多体系统建模任务中均取得了最先进的效果。

    Nov, 2022

  • 基于几何感知的线图变换预训练用于分子性质预测

    本文提出了Geometry-aware line graph transformer (Galformer)预训练方法，采用2D和3D模态增强分子表示学习，通过对无标签的分子进行两个互补的预训练任务，提取出2D和3D知识，并在性质预测方面表现出优越性能。

    Sep, 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

  • 分子GNN的预训练作为条件玻尔兹曼生成器

    我们提出了一种预训练方法，使用现有的分子构形数据集生成适用于多个构形的潜在向量，从而解决了获取多个构形的计算成本高的问题，并展示了我们的模型在分子性质预测方面优于使用分子图和三维分子结构的现有预训练方法。

    Dec, 2023

  • 神经P$^3$M：几何GNN的长程交互建模增强器

    本文研究了几何图神经网络（GNN）在建模大分子系统时，长期交互捕获能力不足的问题。我们提出的Neural P$^3$M通过将网格点与原子结合，重新想象传统数学操作，从而增强了GNN的能力，展现出在多种分子系统中的灵活性，并在能量和力的预测上表现出显著的准确性，对MD22数据集的基准测试结果尤为优秀。同时，在OE62数据集上平均提升了22%。

    Sep, 2024