基于神经场的得分-based 3D 分子生成
机器学习
2025-01-16 v1 生物大分子
摘要
我们提出了一种基于连续原子密度场的 3D 分子新表示方法。使用这种表示，我们提出了一种基于 walk-jump 采样的新模型，用于神经场中的无条件 3D 分子连续空间生成。我们的模型 FuncMol 使用条件神经场将分子场编码为潜在代码，通过拉普拉斯 MCMC（walk）从高斯平滑分布中采样噪声代码，然后在一步内对这些样本进行去噪（jump），最后将其解码为分子场。FuncMol 在不对分子结构做任何假设的情况下完成原子级 3D 分子生成，并且与大多数方法相比，随分子规模而扩展能力更强。该方法在类药分子上实现了具竞争力的结果，并轻松扩展到大环肽，采样速度至少快一个数量级。代码已提供于 https://github.com/prescient-design/funcmol。
引用
@article{arxiv.2501.08508,
title = {Score-based 3D molecule generation with neural fields},
author = {Matthieu Kirchmeyer and Pedro O. Pinheiro and Saeed Saremi},
journal= {arXiv preprint arXiv:2501.08508},
year = {2025}
}
备注
NeurIPS 2024