基于量化球坐标的 3D 分子结构分词方法
机器学习
2024-12-03 v1 生物大分子
摘要
语言模型（LM）应用于基于 SMILES 和 SELFIES 等线型 notations 的分子结构生成在化学信息领域已得到充分验证。然而，将这些模型扩展到生成 3D 分子结构面临重大挑战。主要问题包括：（1）设计能够确保 SE(3) 不变性原子坐标的 3D 线型 notation 的困难；（2）将连续坐标分词以适用于需要离散输入的语言模型，这一任务并不 trivial。为解决这些挑战，我们提出了一种名为 Mol-StrucTok 的新颖方法，用于对 3D 分子结构进行分词。我们的方法包含两个关键创新：（1）我们通过提取以球坐标系表示的局部原子坐标来设计 3D 分子的线型 notation。该 notation 基于现有的 2D 线型 notation 设计，保持与具体形式的中立，确保与各种分子表示方案兼容。（2）我们采用向量量化变分自编码器（VQ-VAE）对这些坐标进行分词，将其作为生成描述符。为进一步增强表示，我们将邻域键长和键角作为理解描述符。利用这一分词框架，我们训练了一个基于 GPT-2 风格的模型用于 3D 分子生成任务。结果表明，该方法在显著提升生成速度和与先前方法相比的化学稳定性方面表现优异。进一步地，通过将我们学习到的离散表示集成到用于 QM9 数据集上属性预测的 Graphormer 模型中，Mol-StrucTok 在各种分子属性上均实现了一致的改进，凸显了该方法的通用性和鲁棒性。
引用
@article{arxiv.2412.01564,
title = {Tokenizing 3D Molecule Structure with Quantized Spherical Coordinates},
author = {Kaiyuan Gao and Yusong Wang and Haoxiang Guan and Zun Wang and Qizhi Pei and John E. Hopcroft and Kun He and Lijun Wu},
journal= {arXiv preprint arXiv:2412.01564},
year = {2024}
}
备注
17 pages, 6 figures, preprint