用于3D分子生成与优化的几何完备扩散模型
摘要
去噪扩散概率模型(DDPMs)在计算机视觉和计算生物学等学科中开创了全新的最先进水平,其任务涵盖从文本引导的图像生成到结构引导的蛋白质设计。在后一类研究中,近期已有方法提出在DDPM框架内使用等变图神经网络(GNNs)生成3D分子。然而,此类方法无法学习3D分子的重要几何性质,因为它们采用与分子无关且非几何的GNN作为其3D图去噪网络,这显著阻碍了其生成有效大型3D分子的能力。在这项工作中,我们通过引入用于3D分子生成的几何完备扩散模型(GCDM)来解决这些不足,GCDM在QM9数据集和更大的GEOM-Drugs数据集的条件与无条件设定下,均以显著优势超越现有的3D分子扩散模型,并且相较于先前方法,为QM9数据集生成了更新颖且更独特的无条件3D分子。重要的是,我们证明为3D分子生成而学习的GCDM几何完备去噪过程使模型能够在GEOM-Drugs规模上生成相当大比例的有效且能量稳定的大分子,而先前方法凭借其所学特征无法做到这一点。此外,我们展示了GCDM的扩展不仅能有效为特定蛋白质口袋设计3D分子,而且GCDM的几何特征可被重新利用,以持续优化现有3D分子的几何与化学组成,从而实现分子稳定性与性质特异性,展示了分子扩散模型的新通用性。我们的源代码与数据可在 https://github.com/BioinfoMachineLearning/Bio-Diffusion 免费获取。
引用
@article{arxiv.2302.04313,
title = {Geometry-Complete Diffusion for 3D Molecule Generation and Optimization},
author = {Alex Morehead and Jianlin Cheng},
journal= {arXiv preprint arXiv:2302.04313},
year = {2024}
}
备注
33 pages, 6 figures, 5 tables. Under review. Also presented at ICLR 2023's MLDD workshop. Code available at https://github.com/BioinfoMachineLearning/Bio-Diffusion