EquiFlow：基于最优传输的等变条件流匹配用于3D分子构象预测
机器学习
2024-12-17 v1 化学物理
生物大分子
摘要
分子3D构象在决定分子如何与其他分子或蛋白质表面相互作用中起关键作用。最近的深度学习进展改进了构象预测，但训练速度慢和难以利用高阶特征限制了性能。我们提出了EquiFlow，一种结合最优传输的等变条件流匹配模型。EquiFlow独特地将条件流匹配应用于分子3D构象预测，利用免模拟训练来解决训练速度慢的问题。它使用改进的Equiformer模型将笛卡尔分子构象及其原子和键属性编码为更高阶的嵌入。此外，EquiFlow采用ODE求解器，与使用SDE的扩散模型相比，提供更快的推理速度。在QM9数据集上的实验表明，EquiFlow比当前最先进的模型更准确地预测小分子构象。
引用
@article{arxiv.2412.11082,
title = {EquiFlow: Equivariant Conditional Flow Matching with Optimal Transport for 3D Molecular Conformation Prediction},
author = {Qingwen Tian and Yuxin Xu and Yixuan Yang and Zhen Wang and Ziqi Liu and Pengju Yan and Xiaolin Li},
journal= {arXiv preprint arXiv:2412.11082},
year = {2024}
}
备注
11 pages,5 figures