今天给大家介绍的是来自《Proceedings of the 37th International Conference on Machine Learning》的会议论文“A Generative Model for Molecular Distance Geometry”。通讯作者是来自剑桥大学的学者Gregor N. C. Simm。作者的主要贡献如下：
(1)介绍了一种新的概率模型Graph Distance Geometry(GRAPHDG)，利用图神经网络学习分子构象分布；
(2)为构象生成问题提供了一个全新的、具有挑战性的、公开的benchmark;
(3)通过将条件变分自编码器(conditional variational autoencoder, CVAE)和欧氏距离几何(Euclidean distance geometry, EDG)算法相结合，作者提出了一个最先进的方法，用于生成大小、形状自适应的分子的分子构象的样本；
(4)作者开发了一种严格的实验方法，用于评估和比较基于平均最大偏差距离度量的构象生成方法的准确性；
(5)作者展示了如何将该生成模型用作重要性抽样方案中的分布来估计分子性质。

文献地址：https://arxiv.org/abs/1909.11459

代码地址：https://github.com/gncs/graphdg

内容中包含的图片若涉及版权问题，请及时与我们联系删除