用于分子构象生成的梯度场学习

我们研究计算化学中一个基本问题，即分子构象生成，试图从二维分子图预测稳定的三维结构。现有的机器学习方法通常先预测原子间距离，再生成满足这些距离的三维结构，而预测距离中的噪声可能在三维坐标生成过程中引入额外误差。受传统分子动力学模拟的力场方法启发，本文提出一种称为 ConfGF 的新方法，通过直接估计原子坐标对数密度的梯度场来生成构象。所估计的梯度场允许通过朗之万动力学直接生成稳定构象。然而，该问题极具挑战性，因为梯度场具有旋转平移等变性。我们注意到，估计原子坐标的梯度场可转化为估计原子间距离的梯度场，从而基于近期基于分数的生成模型开发了一种新算法来有效估计这些梯度。多项任务的实验结果表明，ConfGF 以显著优势超越了先前最先进的基线。