GeoDiff：一种用于分子构象生成的几何扩散模型
机器学习
2022-03-16 v1 定量方法
摘要
从分子图预测分子构象是化学信息学和药物发现中的一个基本问题。近来，基于机器学习的方法尤其是深度生成模型取得了显著进展。受经典非平衡热力学中扩散过程的启发（其中受热粒子会从原始状态扩散至噪声分布），本文提出一种名为 GeoDiff 的新型生成模型用于分子构象预测。GeoDiff 将每个原子视为粒子，并学习作为一个马尔可夫链直接逆转扩散过程（即从噪声分布变换为稳定构象）。然而，对此类生成过程建模非常具有挑战性，因为构象的似然应具有旋转平移不变性。我们从理论上证明，由等变马尔可夫核演化的马尔可夫链可按设计诱导出不变分布，并进一步提出用于马尔可夫核的构建模块以保留所需的等变性性质。整个框架可通过优化（条件）似然的加权变分下界以端到端方式高效训练。在多个基准上的实验表明，GeoDiff 优于或与现有最先进方法相当，尤其在大型分子上。
引用
@article{arxiv.2203.02923,
title = {GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation},
author = {Minkai Xu and Lantao Yu and Yang Song and Chence Shi and Stefano Ermon and Jian Tang},
journal= {arXiv preprint arXiv:2203.02923},
year = {2022}
}
备注
Published as a conference paper at ICLR 2022 (https://openreview.net/forum?id=PzcvxEMzvQC)