面向多条件分子生成的图扩散Transformer
机器学习
2024-10-04 v3 生物大分子
摘要
基于扩散模型的逆向分子设计在材料与药物发现领域具有巨大潜力。尽管在无条件分子生成方面取得了成功，但将合成分数和气体渗透性等多种性质作为条件约束集成到扩散模型中仍属未探索领域。我们提出了用于多条件分子生成的图扩散Transformer（Graph DiT）。Graph DiT集成了一个编码器，用于学习数值和类别性质表示，并与基于Transformer的去噪器相结合。与以往在前向扩散过程中分别对原子和键添加噪声的图扩散模型不同，Graph DiT采用一种新颖的图依赖噪声模型进行训练，以精确估计分子中与图相关的噪声。我们针对多条件聚合物和小分子生成对Graph DiT进行了广泛验证。结果表明，Graph DiT在从分布学习到分子性质条件控制的九项指标上均展现出优越性。一项由领域专家反馈指导的气体分离聚合物逆向设计任务进一步证明了其实用价值。
引用
@article{arxiv.2401.13858,
title = {Graph Diffusion Transformers for Multi-Conditional Molecular Generation},
author = {Gang Liu and Jiaxin Xu and Tengfei Luo and Meng Jiang},
journal= {arXiv preprint arXiv:2401.13858},
year = {2024}
}
备注
Accepted by NeurIPS 2024 (Oral). 21 pages, 11 figures, 8 tables