使用非简并双层几何等变图网络生成三维分子

《Engineering Applications of Artificial Intelligence》:Generating three-dimensional molecules with non-degenerate double-layer geometric equivariant graph network

【字体: 大 中 小 】 时间:2026年09月26日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

   ## 摘要 - 利用局部完备基实现无方向退化的向量映射。 - 提出双层等变结构以模拟三维分子体系的相互作用。 - 将该双层等变结构应用于扩散模型中的噪声预测。 - 设计基于分子性质的条件分子生成模型。 - 分析分子重要二维与三维拓扑特征的分布。 --- ## 引言 生

  ## 摘要- 利用局部完备基实现无方向退化的向量映射。- 提出双层等变结构以模拟三维分子体系的相互作用。- 将该双层等变结构应用于扩散模型中的噪声预测。- 设计基于分子性质的条件分子生成模型。- 分析分子重要二维与三维拓扑特征的分布。---## 引言生成分子候选物库并搜索具有良好生物活性的分子是药物发现中的关键步骤。传统上,高通量筛选通过湿实验筛选对靶蛋白具有调控作用的先导化合物,而虚拟筛选则采用计算机辅助方法进行化合物筛选。然而,这些方法受限于已知化合物库的规模,因此探索巨大潜在类药化合物空间变得不切实际。同时,低命中率不仅阻碍了药物研发的效率,还导致大量资金消耗。研究表明,每款新药的研发成本高达45.4亿美元。其中一部分成本源于早期筛选阶段失败的项目。从头药物设计通过分子生成方法搜索具有特定要求的化学结构。将深度学习应用于从头药物设计是加速探索类药化学空间的可行方案,该方法消耗较少的资源,并能在短时间内生成大量随机分子。生成的分子可用于构建更大的化合物库以用于药物发现。研究人员已提出了一系列基于深度学习模型的分子生成方法。这些方法采用一维字符串或二维分子图形式的分子表示。例如,Park等人将分子表示为简化分子输入行式系统并用循环神经网络建模序列到序列转换。图变分自编码器通过变分自编码器直接编码二维分子图。尽管这些方法推动了深度学习在分子生成中的应用,但它们缺乏分子空间结构信息,无法直接生成三维分子。在本工作中,我们直接使用分子在三维空间中的信息,这有助于模型学习更丰富的分子特征。此外,模型可以直接生成具有三维结构的分子。最近,研究人员认识到几何等变图神经网络刻画分子几何形状并捕获其拓扑信息的能力。它在保持平移和旋转对称性方面具有优势,并已在分子生成领域取得积极成果。在这些应用中,几何等变图神经网络通过计算相对距离将几何向量标量化,而不是将向量变换到高维空间。尽管这种方法计算复杂度较低,但当作用力不在径向方向时,会导致方向退化问题。本研究考虑引入局部完备基进行标量化。这确保了任意方向的向量都可以通过该基进行分解,而不会产生方向退化,同时不会增加过多的计算成本。在本工作中,我们提出了一种基于扩散模型的双层分子生成模型,以一次性方式生成三维分子。一次性生成策略是指一次生成整个分子的方法。与逐原子生成和基于片段的生成策略相比,这种方法可以有效地生成大量分子,具有更大的化学搜索空间。此外,它关注分子的整体结构,生成过程不依赖于单个原子或其他先前信息,从而避免了累积误差。在分析分子系统结构及其形成影响因素后,我们构建了双层等变结构来学习分子特征。然后将该结构应用于扩散模型的噪声预测中。具体而言,我们通过比较距离阈值与原子间距离来区分强和弱原子间相互作用,并构建具有不同类型边的分子图。此外,考虑到原子间的不同相互作用同时存在,我们在此结构中定义了一种新的信息交互模式以模拟这些因素的效果。我们还将该模型应用于基于分子性质的条件分子生成任务。各种实验结果表明,我们的模型能够生成更多具有稳定性和有效性的分子,并捕获拓扑信息分布。在条件生成过程中,我们的模型具有学习结构信息与属性之间关系的能力。本工作的贡献如下:- 我们采用局部完备基实现无方向退化的向量映射,而不是使用相对距离作为输入来表示几何向量的标量值。- 我们提出了一种双层等变结构以模拟三维分子体系的信息交互,并将其用于扩散模型中的噪声预测。- 我们设计了基于分子性质的条件分子生成模型,并评估其是否提取了分子结构与期望性质之间的关联。- 我们通过评估分子数量并分析分子若干重要二维和三维拓扑特征的分布,验证了双层结构的有效性。本文其余部分组织如下。第2节介绍相关领域前人的一些相关工作。第3节详细介绍本文提出的模型。模型的性能在第4节的实验中进行了验证。第5节讨论模型的潜在应用。第6节给出结论。---## 章节摘要### 相关工作在本节中,我们简要概述了分子生成、扩散模型和几何等变图神经网络领域的相关工作。一些方法的优缺点总结列于表1中。### 方法论在本节中,我们详细介绍了双层分子生成模型。一些符号的解释列于表2中。在第3.1节中,我们呈现符号定义和相关知识。第3.2节回答如何解决标量化过程中的方向退化问题。第3.3节双层等变结构和第3.4节扩散过程提供了具体的模型细节。图1展示了模型的训练过程。给定一个分子,我们首先为其添加噪声,然后……### 实验与分析本节展示了所提出的双层分子生成模型框架在QM9数据集上的实验评估。我们首先描述数据集和实施设置,然后评估生成质量、性质分布一致性、条件可控性以及所提出的标量化策略的效果。### 潜在应用讨论在本节中,我们总结了实验结果并讨论了所提出模型在分子设计工作流程中的潜在作用。首先,为了评估生成分子的质量,我们从有效性、独特性和稳定性方面分析了生成的分子。结果表明,该模型能够生成高质量的三维分子结构。其次,我们分析了若干重要的二维和三维分子性质分布……### 结论对于三维分子生成,我们引入了一种基于扩散模型的新型方法。我们使用双层等变结构对分子系统的相互作用进行建模,该结构捕获了不同力强度效果的影响。具有SE(3)等变性的坐标向量通过局部完备基映射到标量表示,这确保了坐标向量在映射到标量空间时不会发生退化。此外,我们将模型扩展为条件分子……---### 作者贡献声明**高梅:** 撰写初稿、验证、方法论、调查研究、形式分析、数据管理。**朱飞:** 撰写审稿与编辑、方法论、资金获取、概念构思。### 利益冲突声明作者声明他们没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。高梅 | 朱飞
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号