几何表示条件提升等变分子生成
机器学习
2025-07-29 v4 人工智能
摘要
近期分子生成模型的进展在加速科学发现方面尤其是在药物设计中展现了巨大潜力。然而, 这些模型在生成高质量分子方面常常难以应对, 尤其是在必须满足特定分子属性的条件场景中。本文引入 GeoRCG, 一个通用框架, 通过集成几何表示条件并具备可证明理论保证来改进分子生成模型。我们将生成过程分解为两个阶段: 首先生成信息丰富的几何表示; 其次基于该表示生成分子。与单阶段生成相比, 前期易于生成的表示引导后续阶段在目标导向 manner 下生成高质量分子。基于 EDM 与 SemlaFlow 作为基础生成器, 我们在广泛使用的 QM9 与 GEOM-DRUG 数据集上观察到在无条件分子生成中显著的质量提升。更值得注意的是, 在具有挑战性的条件分子生成任务中, 本框架在 SOTA 方法上实现了平均 50% 的性能提升, 凸显了基于语义丰富几何表示进行条件化的优势。此外, 该框架可将扩散步数减少至仅 100 步, 而基本保持与 1000 步相当的生成质量, 从而显著降低了所需的生成迭代次数。代码已公开于 https://github.com/GraphPKU/GeoRCG。
引用
@article{arxiv.2410.03655,
title = {Geometric Representation Condition Improves Equivariant Molecule Generation},
author = {Zian Li and Cai Zhou and Xiyuan Wang and Xingang Peng and Muhan Zhang},
journal= {arXiv preprint arXiv:2410.03655},
year = {2025}
}
备注
Accepted to ICML 2025 as a Spotlight Poster