3D Molecule Generation via Diffusion Model with a Self-Attention-Based EGNN
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide The discovery of new drugs is of great significance to human health. The diffusion model has emerged as a powerful tool for generating 3D molecular structures, achieving significant success in various applications. However, existing models lack direct interatomic confinement features and are difficult to capture long-range dependencies in macromolecules. These issues lead to the generation of molecular structures that are either inaccurate or lack rationality. To address the above issues, this paper proposes a novel 3D Molecule Generation via Diffusion Model with a self-attention-based E( n ) equivariant graph neural network (EGNN) named MGDM-Sa, which incorporates a dual equivariant score neural network DualESNet, to capture the global graph features and the local atomic environment. Especially, in DualESNet, we design a novel equivariant encoder eEncoder, which integrates EGNN and self-attention. During message propagation, EGNN ensures the equivariation of geometric features, and self-attention layer captures the long-range dependencies in the molecular graph. Thus, this design enhances the representation capability of MGDM-Sa. The experimental results demonstrate that MGDM-Sa is capable of generating valid, unique, novel, stable, and diverse drug-like molecules, thereby underscoring its potential to accelerate the drug discovery process.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».