JTreeformer：基于潜在扩散模型的图变换器用于分子生成

基于原始化学分子分布发现新分子在医学领域具有重要意义。图变换器凭借其相较于传统图网络的高性能和可扩展性优势，近年来在图结构应用中受到广泛关注。然而，当前基于变换器的图解码器难以有效利用图信息，这限制了其仅依赖节点序列而非分子图复杂拓扑结构的能力。本文聚焦于构建基于图变换器的框架用于分子生成，我们将其称为 JTreeformer，因为它将图生成转化为枝树生成。它将 GCN 并行与多头注意力作为编码器。它将一个有向无环 GCN 集成到基于图的 Transformer 中作为解码器，该解码器能够在每一步利用来自部分构建的分子结构信息来迭代合成整个分子。此外，在编码器生成的潜在空间中插入扩散模型，以进一步增强抽样的效率和效果。经验结果表明，我们的新型框架在现有分子生成方法方面表现出色，从而为推进药物发现提供了有前景的工具。