基于分数去噪的分子性质预测预训练方法
机器学习
2024-07-17 v1 人工智能
化学物理
摘要
深度学习方法被视为加速药物发现和材料设计中的分子筛选的有前景的手段。由于标注数据的有限性，各种自监督分子预训练方法相继出现。虽然许多现有方法利用计算机视觉（CV）和自然语言处理（NLP）中的常规预训练任务，但常常忽视了支配分子的根本物理原理。相反，应用去噪进行预训练可被解释为等效力学习，但有限的噪声分布会引入对分子分布的偏差。为此，我们引入了一种称为分数去噪（Frad）的分子预训练框架，将噪声设计从力学习等价约束中解耦。如此一来，噪声即可被自定义，允许纳入化学先验知识，以显著提高分子分布建模。实验表明，我们的方法框架在各项实验中均优于现有方法，确立了在力预测、量子化学性质和结合亲和力任务中的最先进成果。精细的噪声设计提高了力的准确性和采样覆盖范围，这有助于创建符合物理常规的分子表征，从而最终实现卓越的预测性能。
引用
@article{arxiv.2407.11086,
title = {Pre-training with Fractional Denoising to Enhance Molecular Property Prediction},
author = {Yuyan Ni and Shikun Feng and Xin Hong and Yuancheng Sun and Wei-Ying Ma and Zhi-Ming Ma and Qiwei Ye and Yanyan Lan},
journal= {arXiv preprint arXiv:2407.11086},
year = {2024}
}