基于二维图的分子三维几何结构分析
化学物理
2023-05-24 v1 人工智能
机器学习
摘要
分子的基态三维几何结构对许多分子分析任务至关重要。现代量子力学方法可以计算出精确的三维几何结构，但计算代价高昂。目前，从二维图高效计算基态三维分子几何结构的方法尚属空白。在此，我们提出了一种新颖的深度学习框架，用于从分子图预测三维几何结构。为此，我们开发了平衡消息传递神经网络（EMPNN），以更好地从分子图中捕捉基态几何结构。为提供三维分子几何结构分析的测试平台，我们构建了一个基准，包含大规模分子几何数据集、数据划分和评估协议。实验结果表明，EMPNN 能比 RDKit 及其他深度学习方法更高效地预测出更精确的基态三维几何结构。结果还表明，所提框架在性质预测任务上优于自监督学习方法。
引用
@article{arxiv.2305.13315,
title = {3D Molecular Geometry Analysis with 2D Graphs},
author = {Zhao Xu and Yaochen Xie and Youzhi Luo and Xuan Zhang and Xinyi Xu and Meng Liu and Kaleb Dickerson and Cheng Deng and Maho Nakata and Shuiwang Ji},
journal= {arXiv preprint arXiv:2305.13315},
year = {2023}
}