在固定维度的 E(3)-等变潜在空间中操控 3D 分子
机器学习
2025-10-06 v2 人工智能
摘要
药物化学家在优化药物时，通常会考虑其 3D 结构，并设计保留关键特征（如形状、药效团或化学性质）但结构不同的分子。以往的深度学习方法通过分子修复或属性引导优化等监督任务来解决这一问题。在本工作中，我们提出了一种灵活的零样本分子操控方法，通过在 3D 分子的共享潜在空间中进行导航来实现。我们引入了一种用于 3D 分子的变分自编码器（VAE），命名为 MolFLAE，它学习一个独立于原子数量的固定维度 E(3)-等变潜在空间。MolFLAE 使用 E(3)-等变神经网络将 3D 分子编码为固定数量的潜在节点，并通过学习到的嵌入进行区分。该潜在空间经过正则化处理，分子结构通过以编码器的潜在输出为条件的贝叶斯流网络（BFN）进行重构。MolFLAE 在标准的无条件 3D 分子生成基准上取得了具有竞争力的性能。此外，MolFLAE 的潜在空间实现了零样本分子操控，包括原子数量编辑、结构重构以及针对结构和属性的协同潜在插值。我们进一步在针对人糖皮质激素受体的药物优化任务中展示了该方法，在计算评估下生成了改善亲水性同时保留关键相互作用的分子。这些结果突显了我们方法的灵活性、鲁棒性和实际应用价值，为分子编辑和优化开辟了新途径。
引用
@article{arxiv.2506.00771,
title = {Manipulating 3D Molecules in a Fixed-Dimensional E(3)-Equivariant Latent Space},
author = {Zitao Chen and Yinjun Jia and Zitong Tian and Wei-Ying Ma and Yanyan Lan},
journal= {arXiv preprint arXiv:2506.00771},
year = {2025}
}
备注
This version (v2) includes minor edits. The paper has been accepted to NeurIPS 2025. Code is available at: https://github.com/MuZhao2333/MolFLAE