GeoMol：分子 3D 构象系综的扭转几何生成
化学物理
2021-06-16 v1 机器学习
摘要
从分子图预测分子的 3D 构象系综在化学信息学和药物发现领域起着关键作用。现有的生成模型存在若干缺陷，包括缺乏对重要分子几何元素（如扭转角）的建模、易于误差累积的分离优化阶段，以及需要基于近似经典力场或诸如在每个几何处使用近似量子力学计算的元动力学等计算昂贵的方法进行结构微调。我们提出 GeoMol——一种端到端、非自回归且 SE(3) 不变的机器学习方法，用于生成低能量分子 3D 构象的分布。利用消息传递神经网络（MPNNs）捕获局部和全局图信息的能力，我们预测局部原子 3D 结构和扭转角，避免了对几何自由度的不必要过参数化（例如每个非端键一个角）。此类局部预测足以用于训练损失计算以及完整的确定性构象组装（在测试时）。我们设计了一种基于非对抗最优传输的损失函数以促进多样的构象生成。GeoMol 在很大程度上优于流行的开源、商业或最优（SOTA）机器学习（ML）模型，同时实现了显著的加速。我们期望此类可微 3D 结构生成器能对分子建模及相关应用产生重大影响。
引用
@article{arxiv.2106.07802,
title = {GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles},
author = {Octavian-Eugen Ganea and Lagnajit Pattanaik and Connor W. Coley and Regina Barzilay and Klavs F. Jensen and William H. Green and Tommi S. Jaakkola},
journal= {arXiv preprint arXiv:2106.07802},
year = {2021}
}