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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».