CoarsenConf：用于分子构象生成的带聚合注意力的等变粗粒化方法
机器学习
2023-10-23 v2 化学物理
生物大分子
摘要
分子构象生成（MCG）是化学信息学和药物发现中的一项重要任务。高效生成低能量三维结构的能力可避免昂贵的量子力学模拟，从而加速虚拟筛选并增强结构探索。已有若干生成模型被开发用于MCG，但许多难以稳定生成高质量构象。为解决这些问题，我们提出CoarsenConf，其基于扭转角对分子图进行粗粒化，并将其集成到SE(3)-等变分层变分自编码器中。通过等变粗粒化，我们聚合经可旋转键连接的子图的细粒度原子坐标，创建变长粗粒化潜表示。我们的模型使用一种新颖的聚合注意力机制从粗粒化潜表示恢复细粒度坐标，从而实现准确构象的高效生成。此外，我们在多个下游应用（包括性质预测和基于预言机的蛋白质对接）上评估了所生成构象的化学与生化质量。总体而言，与先前的生成模型相比，CoarsenConf生成了更准确的构象集合。
引用
@article{arxiv.2306.14852,
title = {CoarsenConf: Equivariant Coarsening with Aggregated Attention for Molecular Conformer Generation},
author = {Danny Reidenbach and Aditi S. Krishnapriyan},
journal= {arXiv preprint arXiv:2306.14852},
year = {2023}
}
备注
10 main pages (25 total), 3 figures