Uni-Mol系列方法:革命性的3D分子表示学习框架
项目介绍
欢迎来到Uni-Mol系列方法的官方仓库!Uni-Mol是一个通用的3D分子预训练框架,它在药物设计领域提供了显著的表示能力和应用范围的扩展。该框架包括两个模型:一个分子预训练模型,使用209M分子3D构象进行训练;以及一个口袋预训练模型,使用3M候选蛋白质口袋数据进行训练。这两个模型可以独立用于不同任务,也可以结合用于蛋白质-配体结合任务。Uni-Mol在15个分子属性预测任务中,有14个任务的表现超过了现有技术水平(SOTA),并在3D空间任务如蛋白质-配体结合姿态预测和分子构象生成中展现了卓越的准确性。
项目技术分析
Uni-Mol框架的核心在于其能够处理复杂的3D分子结构,并通过预训练模型捕捉分子间的细微差异。这种能力使得Uni-Mol在量子化学属性预测、分子表示学习和下游任务中表现出色。Uni-Mol+模型进一步优化了初始3D构象,通过迭代优化达到平衡构象,从而更准确地预测量子化学属性。Uni-Mol Docking V2则在结合姿态预测方面取得了显著的性能提升,能够准确预测77%以上的配体结合姿态,且RMSD值小于2.0 Å。
项目及技术应用场景
Uni-Mol系列方法适用于广泛的科学研究和工业应用场景,包括但不限于:
- 药物发现:通过精确预测分子属性和结合姿态,加速新药的研发过程。
- 材料科学:用于新材料的设计和优化,特别是在需要精确3D结构理解的领域。
- 化学研究:作为研究工具,帮助科学家理解分子间相互作用的复杂性。
项目特点
- 高精度:Uni-Mol在多个基准测试中超越了SOTA方法,特别是在量子化学属性预测和结合姿态预测方面。
- 通用性:框架设计灵活,可以适应多种分子和蛋白质口袋数据,适用于广泛的科学问题。
- 易用性:提供了一系列工具和预训练模型,简化了用户的使用流程,使得非专业用户也能轻松上手。
- 持续更新:项目团队持续更新模型和工具,确保技术的前沿性和实用性。
通过使用Uni-Mol系列方法,研究人员和开发者可以更有效地探索分子世界的复杂性,推动科学研究和工业应用的边界。欢迎加入Uni-Mol的社区,共同探索和创新!
联系我们:
- GitHub Issue(推荐)
- 微信(扫描二维码加入群组)
- Slack(海外用户讨论频道)
- 电子邮件:unimol@dp.tech
引用: 请在使用数据/代码/模型时引用我们的论文。
许可证: 本项目基于MIT许可证。详情请参阅LICENSE文件。