Nat. Mach. Intell. | CGN+CAN=CGN！Frad大尺度扰动分子提升属性预测

文章预览

DRUG AI 今天为大家介绍的是来自清华大学兰艳艳团队的一篇论文。深度学习方法被认为在加速药物发现和材料设计中的分子筛选方面具有前景。由于标记数据的有限可用性，各种自监督的分子预训练方法相继出现。尽管许多现有方法利用计算机视觉和自然语言处理中的常见预训练任务，但往往忽视了支配分子的基本物理原理。相比之下，在预训练中应用去噪可以视为一种等效的力学习，但有限的噪声分布会引入对分子分布的偏差。为了解决这一问题，作者提出了一种名为分数去噪的分子预训练框架，它将噪声设计与力学习等效所施加的约束解耦。通过这种方式，噪声变得可定制，从而允许结合化学先验，显著改善分子分布建模。实验表明，作者的框架在力预测、量子化学性质和结合亲和力任务上始终优于现有方法，确立了最新的最佳结果。改进的 ………………………………