- HEroBM: 从粗粒化到全原子表示的深度等变图神经网络
HEroBM 是一种动态可扩展的方法,利用深度等变图神经网络和分层方法实现高分辨率的原子映射,能够处理任何类型的粗粒化映射,为高精度重构原子结构提供了灵活高效的协议。
- 深度学习用于低线性物质吸附性能预测
借助机器学习模型和遗传算法,本研究在较快速的速度上成功预测、验证和评估了沸石的吸附性能、吸附位点及生成新的沸石结构。
- 知识蒸馏加速分子图神经网络
本文探讨了使用知识蒸馏加速分子图神经网络的实用性,研究结果显示可以无需改变体系结构就能提高预测准确性达到近 60%。
- ICLR蛋白质折叠模拟的几何解耦表示学习
利用生成型神经网络学习药物靶标蛋白结构的结构集合,以便于更好的理解药物机理和发展治疗方法,同时通过蛋白几何自编码器模型在蛋白质的内在和外在几何学上进行分离编码,快速生成蛋白质构象的方案。
- 分子构象的生成式粗粒化
本文提出了基于生成模型和等变网络的新方法,以恢复从粗粒度表示到原子层面的原子精确位置信息,并在分子动力学轨迹上进行了三个综合评估,结果表明,与现有数据驱动的方法相比,我们的方法始终能够以显着优势恢复更真实的结构。
- 使用高斯混合变分自编码器从分子模拟中生成可解释的嵌入
本研究论文介绍了使用 Gaussian mixture variational autoencoder(GMVAE)进行分子模拟数据的降维和聚类,以及其在构建 Markov 状态模型方面的潜在应用。
- 基于人口的基因演化的分子自动生成
通过机器学习和分子模拟进行的自动设计已经表现出生成新的和有前途的新药物候选物的显着能力。本文提出了使用语法进化的一种新的基于群体的方法。在 thymidine 激酶的对接实验中,ChemGE 成功生成了数百个高亲和力的分子,其多样性优于 D - 重新加权自编码变分贝叶斯用于增强采样(RAVE)
提出了 RAEBV 方法,使用自编码变分贝叶斯方法来提高分子模拟的采样效率,并在计算自由能与发现关键特征空间方面具有显著优势。
- 基于深度潜能的分子动力学模型:具有量子力学精度的可扩展模型
本研究介绍了一种基于深度神经网络的分子模拟方案 ——Deep Potential Molecular Dynamics(DeePMD)方法,能够在多种系统中高效、准确地预测原始数据,并且与系统规模呈线性比例。
- 分子取样随机数值方法的理性构建
本文介紹了通過 Langevin 方法計算分子 N 體系統樣本平均值的計算方法,提出了一種具有較高精度的方法減少樣本抽樣的錯誤,並顯示此方法在分子模擬中具有高效性和簡易性。