模块化 co-design 在初生 3D 分子生成中的应用
机器学习
2025-05-27 v1 人工智能
生物大分子
定量方法
摘要
初生 3D 分子生成是药物发现中的关键任务。然而，许多近期几何生成模型即便保持 2D 有效性和拓扑稳定性，也难以产生高质量的 3D 结构。为此，我们提出Megalodon——一个可扩展的变换模型家族。这些模型增强了基本等变层，采用联合连续离散去噪 co-design 目标进行训练。我们评估了Megalodon在既有分子生成基准上的表现，并引入新的 3D 结构基准，评估模型生成真实分子结构的能力，尤其关注能量。我们表明，Megalodon在 3D 分子生成、条件结构生成和结构能量基准上实现了最先进的成绩，采纳扩散和流匹配方法。此外，将Megalodon的参数数量翻倍至4000万显著提升了其性能，生成的有效大型分子最多可提高49倍，能量水平比最佳先前生成模型低2-10倍。
引用
@article{arxiv.2505.18392,
title = {Applications of Modular Co-Design for De Novo 3D Molecule Generation},
author = {Danny Reidenbach and Filipp Nikitin and Olexandr Isayev and Saee Paliwal},
journal= {arXiv preprint arXiv:2505.18392},
year = {2025}
}