几何促进的去噪扩散模型用于3D分子生成

去噪扩散模型在多个研究领域显示出巨大潜力。现有的基于扩散的从头3D分子生成方法面临两个主要挑战。由于分子中的大多数重原子允许通过单键连接到多个原子，仅使用成对距离来建模分子几何结构是不够的。因此，第一个挑战涉及提出一个有效的神经网络作为去噪核，能够捕获复杂的多体原子间关系并学习高质量特征。由于图的离散性质，主流的基于扩散的分子生成方法严重依赖预定义规则，并以间接方式生成边。第二个挑战涉及使分子生成适应扩散过程并准确预测键的存在。在我们的研究中，我们认为扩散过程中迭代更新分子构象的方式与分子动力学一致，并引入了一种新颖的分子生成方法，称为几何促进分子扩散（GFMDiff）。针对第一个挑战，我们引入了双轨Transformer网络（DTN），以充分挖掘全局空间关系并学习高质量表示，从而有助于特征和几何结构的准确预测。针对第二个挑战，我们设计了几何促进损失（GFLoss），它在训练期间干预键的形成，而不是直接将边嵌入到潜在空间中。在当前基准上的综合实验证明了GFMDiff的优越性。