Generating Molecular Conformer Fields

本文解决了给定分子图形如何在三维空间中生成分子构象的问题。我们将这些构象参数化为连续函数，将分子图形元素映射到三维空间中的点。然后，我们将学习生成构象的问题规定为使用扩散生成模型——分子构象场（MCF）学习这些函数的分布。我们的方法简单可扩展，并在具有挑战性的分子构象生成基准测试中实现了最先进的性能，同时不对分子的显式结构（例如建模扭转角度）做出任何假设。MCF在推广扩散模型以以概念简单、可扩展和有效的方式处理复杂科学问题方面具有进展。

本论文的问题是如何通过分子图生成分子的三维构象。这是一个新问题。

本论文的关键思路是使用分子构象场（Molecular Conformer Fields，MCF）将分子图中的元素映射到三维空间中的点，并学习生成这些映射函数的分布。这种方法简单且可扩展，不需要对分子的显式结构（如建模扭转角度）做出任何假设，并在具有挑战性的分子构象生成基准测试中实现了最先进的性能。

本论文的亮点包括使用MCF模型解决复杂的科学问题、简单且可扩展的方法、在具有挑战性的分子构象生成基准测试中实现了最先进的性能。实验使用了多个数据集，并公开了代码。

最近的相关研究包括使用深度学习技术生成分子构象的研究，如《ConformerNet: Fast and Accurate Generation of 3D Conformers with Differentiable Neural Networks》、《Neural Network-Based Molecular Conformational Sampling with Replica Exchange》等。