ATOM3D：三维分子任务基准

在三维分子结构上运行的计算方法有潜力解决生物学和化学中的重要问题。特别是，深度神经网络已获得显著关注，但其在生物分子领域的广泛采用受到缺乏系统性性能基准或与分子数据交互的统一工具包的限制。为此，我们提出 ATOM3D，一个涵盖若干关键生物分子类别的新型及现有基准数据集的集合。我们针对这些任务中的每一类实现了若干类三维分子学习方法，并表明它们相对于基于一维和二维表示的方法持续提升了性能。架构的具体选择被证明对性能至关重要：三维卷积网络在涉及复杂几何的任务上表现出色，图网络在需要详细位置信息的系统上表现良好，而较新开发的等变网络展现出显著潜力。我们的结果表明，许多分子问题将从三维分子学习中受益，并且许多尚未充分探索的任务存在改进空间。为降低入门门槛并促进该领域的进一步发展，我们还在开源的 atom3d Python 包中提供了一套全面的数据集处理、模型训练和评估工具。所有数据集均可从 https://www.atom3d.ai 下载。