AAAI2024论文合集解读|Geometric-Facilitated Denoising Diffusion Model for 3D Molecule Generation

论文标题

Geometric-Facilitated Denoising Diffusion Model for 3D Molecule Generation 几何促进的 3D 分子生成去噪扩散模型

论文链接

Geometric-Facilitated Denoising Diffusion Model for 3D Molecule Generation论文下载

论文作者

Can Xu, Haosen Wang, Weigang Wang, Pengfei Zheng, Hongyang Chen

内容简介

本文提出了一种名为几何促进分子扩散（GFMDiff）的新型去噪扩散模型，旨在解决3D分子生成中的两个主要挑战：准确预测分子构象和充分利用几何信息以促进离散图结构的生成。GFMDiff通过引入双轨Transformer网络（DTN）来捕捉复杂的多体原子间关系，并设计了几何促进损失（GFLoss）以干预键的形成，从而提高生成分子的稳定性和有效性。实验结果表明，GFMDiff在多个基准测试中表现优越，能够生成有效、新颖且稳定的3D分子。

分点关键点

1. GFMDiff框架

   • GFMDiff结合了双轨Transformer网络（DTN）和几何促进损失（GFLoss），有效捕捉分子几何信息和多体相互作用。DTN作为去噪核，能够全面利用空间几何信息，提升分子生成的准确性。
     

2. 双轨Transformer网络（DTN）

   • DTN通过成对距离和三元组角度来捕捉原子间的几何信息，确保模型能够处理复杂的原子间关系。该网络的设计使得模型能够有效地学习全局和局部特征，从而提高生成分子的稳定性。
     

3. 几何促进损失（GFLoss）

   • GFLoss在训练过程中主动干预键的形成，确保生成的分子不仅具有有效的拓扑结构，还具备稳定的构象。通过对原子价的交叉验证，GFLoss帮助模型建立几何结构与有效性之间的紧密联系。
     

4. 实验结果与性能

   • 在多个基准测试中，GFMDiff展示了其在生成有效、稳定的3D分子方面的优越性。与现有方法相比，GFMDiff在生成样本的有效性和独特性上均表现出色，证明了其在分子生成领域的潜力。
     

论文代码

代码链接：https://github.com/CanXu/GFMDiff

中文关键词

1. 去噪扩散模型
2. 3D分子生成
3. 几何促进
4. 双轨Transformer网络
5. 几何促进损失
6. 分子构象

AAAI论文合集：

AAAI论文合集

希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！