通过分层消息传递与多尺度预训练构建全原子糖聚物结构模型
机器学习
2025-06-03 v1
摘要
利用机器学习理解糖聚物的各种特性已展现出初步前景。然而，以往的方法主要将糖聚物的骨架结构建模为单糖（即糖单元）图，却忽略了每个单糖背后的原子结构，而这些原子结构实际上是糖聚物特性的重要指标。我们通过引入用于全原子级糖聚物建模的GlycanAA模型填补了这一空白。GlycanAA将糖聚物建模为异构图，其中单糖节点代表其全局骨架结构，原子节点代表其局部原子级结构。基于这样的图，GlycanAA执行分层消息传递，以捕获从局部原子级相互作用到全局单糖级相互作用。为了进一步增强模型能力，我们在高质量的未标注糖聚物数据集上预训练GlycanAA，得到PreGlycanAA模型。我们设计了一种多尺度掩码预测算法，赋予模型对糖聚物中不同层级依赖关系的理解。广泛的基准测试结果表明了GlycanAA相对于现有糖聚物编码器的优越性，并验证了PreGlycanAA取得的进一步改进。我们将所有资源维护在 https://github.com/kasawa1234/GlycanAA
引用
@article{arxiv.2506.01376,
title = {Modeling All-Atom Glycan Structures via Hierarchical Message Passing and Multi-Scale Pre-training},
author = {Minghao Xu and Jiaze Song and Keming Wu and Xiangxin Zhou and Bin Cui and Wentao Zhang},
journal= {arXiv preprint arXiv:2506.01376},
year = {2025}
}
备注
Published at ICML 2025. All code and data are released