Torsional-GFN：小分子条件构象生成器
机器学习
2025-07-17 v1
摘要
生成稳定的分子构象对于药物发现等多个应用至关重要，如估算分子与靶点的结合亲和力。最近，生成式机器学习方法作为比分子动力学更高效的从玻尔兹曼分布中抽样构象的方法而涌现。本文我们引入 Torsional-GFN，这是一种专为按其玻尔兹曼分布比例抽样分子构象而设计的条件 GFlowNet，仅使用奖励函数作为训练信号。以分子图及其局部结构（键长和键角）为条件，Torsional-GFN 抽样其扭转角的旋转。我们的结果表明，Torsional-GFN 能够对多个分子以单一模型的比例从玻尔兹曼分布中抽样构象，并实现对未见的键长和键角（来自该分子的 MD 模拟）的零样本泛化。我们的工作为将该方法扩展到更大的分子系统、实现对未见分子的零样本泛化，以及将局部结构生成纳入 GFlowNet 模型提供了前景。
引用
@article{arxiv.2507.11759,
title = {Torsional-GFN: a conditional conformation generator for small molecules},
author = {Alexandra Volokhova and Léna Néhale Ezzine and Piotr Gaiński and Luca Scimeca and Emmanuel Bengio and Prudencio Tossou and Yoshua Bengio and Alex Hernandez-Garcia},
journal= {arXiv preprint arXiv:2507.11759},
year = {2025}
}
备注
The two first authors are Alexandra Volokhova and L\'ena N\'ehale Ezzine, with equal contribution