EquiBoost：一种用于分子构象生成的等变提升方法
机器学习
2025-01-10 v1 化学物理
生物大分子
摘要
分子构象生成在计算药物设计中扮演关键角色。最近开发的深度学习方法，特别是扩散模型，已经达到了与传统化学信息学方法竞争的性能。然而，这些方法通常耗时或需要传统方法的额外支持。我们提出了EquiBoost，一种堆叠多个等变图变换器作为弱学习器的提升模型，以迭代优化分子的3D构象。不依赖扩散技术，EquiBoost比基于扩散的方法更有效地平衡了准确性和效率。值得注意的是，与先前最先进的扩散方法相比，EquiBoost提高了生成质量并保持了多样性，在GEOM数据集上实现了显著更好的平均最小RMSD（AMR）精度。这项工作复兴了提升方法，并揭示了其在某些场景中作为扩散模型稳健替代方案的潜力。
引用
@article{arxiv.2501.05109,
title = {EquiBoost: An Equivariant Boosting Approach to Molecular Conformation Generation},
author = {Yixuan Yang and Xingyu Fang and Zhaowen Cheng and Pengju Yan and Xiaolin Li},
journal= {arXiv preprint arXiv:2501.05109},
year = {2025}
}