DMol：一种高度高效且化学构象保持的分子生成平台
机器学习
2025-11-04 v3 人工智能
摘要
我们介绍了一种新的图扩散模型用于小分子生成，DMol，其在所有基准数据集上相较于最先进的 DiGress 模型在有效性方面提升了约 1.5%，同时将扩散步骤至少减少 10 倍，将运行时间大致减半。性能提升源于对目标函数的 careful 修改以及图噪声调度方法的采用。该方法在每个扩散步骤中仅允许更改分子图中大小不同的子集节点。该方法的另一个重要特性是其可以轻松与产生由压缩相关环结构集合为 supernode 的类群束树图表示相结合。与需要复杂重构步骤的经典群束树技术不同，压缩 DMol 直接在仅压缩精心挑选的常见碳环结构为 supernode 的图上进行图扩散，从而实现直观的 sample 生成。该压缩 DMol 方法相对于通用 DMol 再提高了约 2% 的有效性，增加了方法的新颖性，进一步缩短了运行时间 due to graph size 的减少。
引用
@article{arxiv.2504.06312,
title = {DMol: A Highly Efficient and Chemical Motif-Preserving Molecule Generation Platform},
author = {Peizhi Niu and Yu-Hsiang Wang and Vishal Rana and Chetan Rupakheti and Abhishek Pandey and Olgica Milenkovic},
journal= {arXiv preprint arXiv:2504.06312},
year = {2025}
}