我们研究计算化学中的一个基本问题,即分子构象生成,试图从二维分子图中预测稳定的三维结构。现有的机器学习方法通常首先预测原子之间的距离,然后生成满足这些距离的3D结构,而在3D坐标生成过程中,预测距离中的噪声可能会导致额外的误差。本文受传统分子动力学力场模拟方法的启发,提出了一种直接估算原子坐标对数密度梯度场的新方法ConfGF。估计的梯度场允许通过朗之万动力学直接生成稳定的构象。然而,由于梯度场是旋转平移等变的,因此该问题非常具有挑战性。我们注意到估计原子坐标的梯度场可以转化为估计原子间距离的梯度场,因此开发了一种基于最近的基于分数的生成模型的新算法来有效地估计这些梯度。跨多个任务的实验结果表明,ConfGF显著优于以前的最先进基线。

https://arxiv.org/abs/2105.03902

成为VIP会员查看完整内容
14

相关内容

专知会员服务
16+阅读 · 2021年7月13日
专知会员服务
23+阅读 · 2021年7月10日
专知会员服务
22+阅读 · 2021年6月22日
专知会员服务
40+阅读 · 2021年6月10日
专知会员服务
23+阅读 · 2021年6月8日
专知会员服务
49+阅读 · 2021年6月2日
专知会员服务
25+阅读 · 2021年5月23日
专知会员服务
80+阅读 · 2021年5月10日
专知会员服务
107+阅读 · 2020年12月21日
赛尔原创 | ACL 2019 检索增强的对抗式回复生成
哈工大SCIR
12+阅读 · 2019年7月4日
利用神经网络进行序列到序列转换的学习
AI研习社
12+阅读 · 2019年4月26日
Arxiv
0+阅读 · 2021年7月19日
Meta-Learning to Cluster
Arxiv
17+阅读 · 2019年10月30日
Arxiv
8+阅读 · 2019年2月15日
Arxiv
4+阅读 · 2018年3月23日
VIP会员
相关VIP内容
专知会员服务
16+阅读 · 2021年7月13日
专知会员服务
23+阅读 · 2021年7月10日
专知会员服务
22+阅读 · 2021年6月22日
专知会员服务
40+阅读 · 2021年6月10日
专知会员服务
23+阅读 · 2021年6月8日
专知会员服务
49+阅读 · 2021年6月2日
专知会员服务
25+阅读 · 2021年5月23日
专知会员服务
80+阅读 · 2021年5月10日
专知会员服务
107+阅读 · 2020年12月21日
微信扫码咨询专知VIP会员