Сегодня в рубрике #обзор_статей подборка про генерацию молекул с помощью нейронных сетей от команды «Глубокое обучение в науках о жизни» 👀
◻ Reinforcement Learning for Molecular Design Guided by Quantum Mechanics
В статье решается задача поиска низкоэнергетической молекулярной конформации. Авторы предлагают рассматривать задачу в контексте обучения с подкреплением – агент учится поатомно собирать молекулу в 3D, стараясь получить конформацию с низкой энергией. Модель имеет существенные ограничения: она не способна адекватно собирать конформации, имеющие внутренние симметрии.
Авторы поставили сравнительно небольшой набор экспериментов на малых молекулах в отсутствии внешнего поля, используя относительно грубый метод для подсчета энергии, также авторы не провели сравнения с альтернативными подходами.
◻ Symmetry-Aware Actor-Critic for 3D Molecular Design
Авторы предлагают усовершенствованную модель, способную эффективно работать в случае конформаций, имеющих внутренние симметрии.
Представленный фреймворк имеет эквивариантного актора для генерации конформации и инвариантного критика для оценки энергии, что является важным свойством для физически реалистичной модели.
Авторы добавили дополнительный бейзлайн, но не сравнили его с альтернативными подходами. Размеры молекул в экспериментах увеличились, но по-прежнему невелики.
◻ Structure-based Drug Design with Equivariant Diffusion Models
Авторы статьи предложили модель E(3)-эквивариантной диффузии, решающую задачу 3D-условной генерации молекулы-лиганда под карман белка: через полный набор атомов и их координат и через набор аминокислотных остатков, где один остаток задается координатами альфа-углерода и типом аминокислоты.
Получился новый интересный и перспективный подход, который может быть в будущем развит до применения в практических задачах, но сами текущие результаты кажутся неубедительным улучшением по сравнению с имеющимися подходами.
Вторая подборка будет от команды «Поиск новых материалов» на следующей неделе 🚀
В статье решается задача поиска низкоэнергетической молекулярной конформации. Авторы предлагают рассматривать задачу в контексте обучения с подкреплением – агент учится поатомно собирать молекулу в 3D, стараясь получить конформацию с низкой энергией. Модель имеет существенные ограничения: она не способна адекватно собирать конформации, имеющие внутренние симметрии.
Авторы поставили сравнительно небольшой набор экспериментов на малых молекулах в отсутствии внешнего поля, используя относительно грубый метод для подсчета энергии, также авторы не провели сравнения с альтернативными подходами.
Авторы предлагают усовершенствованную модель, способную эффективно работать в случае конформаций, имеющих внутренние симметрии.
Представленный фреймворк имеет эквивариантного актора для генерации конформации и инвариантного критика для оценки энергии, что является важным свойством для физически реалистичной модели.
Авторы добавили дополнительный бейзлайн, но не сравнили его с альтернативными подходами. Размеры молекул в экспериментах увеличились, но по-прежнему невелики.
Авторы статьи предложили модель E(3)-эквивариантной диффузии, решающую задачу 3D-условной генерации молекулы-лиганда под карман белка: через полный набор атомов и их координат и через набор аминокислотных остатков, где один остаток задается координатами альфа-углерода и типом аминокислоты.
Получился новый интересный и перспективный подход, который может быть в будущем развит до применения в практических задачах, но сами текущие результаты кажутся неубедительным улучшением по сравнению с имеющимися подходами.