.png){kind=icon}
返回
MG-DIFF: A novel molecular graph diffusion model for molecular generation and optimization
.png){kind=icon}
PRE
AI
DOI：10.1371/journal.pone.0331450.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近期去噪扩散模型在图像、文本和视频生成方面取得了突破性进展。受这些成就启发，研究人员将去噪扩散模型扩展到分子生成领域。然而，现有的分子生成扩散模型未完全根据分子的独特特征进行优化，导致性能不佳且在条件性分子优化方面存在挑战。本文介绍了MG-DIFF模型，这是一种专为分子生成与优化设计的新型方法。与以往方法相比，MG-DIFF引入了三项关键改进。首先，我们提出了一种掩码替换离散扩散策略，该策略专门设计用于适应分子结构的复杂模式，从而提升分子生成质量。其次，我们引入了一种具有随机节点初始化的图Transformer模型，能够克服由一阶Weisfeiler-Lehman测试定义的常规图神经网络的表示能力限制。最后，我们提出了一种图填充策略，使我们的方法不仅能进行条件生成，还能通过添加特定原子团来优化分子。在多个分子生成基准测试中，所提出的MG-DIFF模型实现了当前最佳性能，并展示了巨大的分子优化潜力。
期刊
IF:
2.6
论文数:
2.6W
被引数:
81.6W
机构
引用论文
分享收藏Molecular Sets (MOSES): A Benchmarking Platform for Molecular Generation Models分子集 (MOSES): 分子生成模型的基准测试平台
OAAI
OAAI分享收藏Learning continuous and data-driven molecular descriptors by translating equivalent chemical representations通过翻译等效化学表示来学习连续的和数据驱动的分子描述符.png)
CHEMICAL SCIENCEOAAI
CHEMICAL SCIENCEIF7.4
OAAI分享收藏Direct steering of de novo molecular generation with descriptor conditional recurrent neural networks用描述符条件递归神经网络直接引导从头分子生成
PREAI
分享收藏
查看更多内容