跳到正文
Nature Communications· Julien Horwood; Dino Oglic; José Miguel Hernández-Lobato·· 来源仅提供日期AI 评分46

基于分数的扩散模型改进分子性质预测

Improving molecular property prediction with score-based diffusion models

AI 导读

研究提出一种面向分子性质预测的条件扩散模块,基于分数生成扩散模型,并配备联合训练与采样引导及可选门控残差机制。该模块可插入现有分子编码器,在小分子回归基准上优于最大似然目标,在多任务回归与分类上持平或超过强基线,还能给出校准不确定性、支持置信度排序并在活性悬崖与类别不平衡多任务预测中表现良好。

已发表论文 · journal · 10.1038/s41467-026-79240-y

本站摘要基于收录版本 v1(2026-11-16),原始摘要与 AI 导读固定保留。

IF(5) 18.9 · 2025 · 期刊参考指标

摘要 · AI 翻译

我们探索了基于扩散的训练方法,将其作为一种灵活的分子性质预测方法,适用于由化学、生物物理和潜在异质性所塑造的场景。为此,我们以基于分数的生成式扩散模型为基础,引入了一个面向预测任务的条件扩散模块,该模块配备了联合训练与采样引导方案,以及一个可选的门控残差机制,用于在不同噪声水平上调控特征驱动与目标驱动的信息流。该模块作为一个即插即用的学习模块,可与现有的分子编码器结合,使其与表征学习的进展形成互补。在多种特征提取器和图神经网络上,基于扩散的训练在小分子回归基准上优于传统的最大似然目标函数,并在多任务回归与分类数据集上达到或超过强基线。它还能产生经预测区间覆盖率衡量的、校准良好的预测不确定性,支持置信度引导的排序,并在包括活性悬崖和类别不平衡的多任务预测在内的具有挑战性的场景中表现良好。总体而言,这些结果表明,扩散是一种与表征无关的、有望实现有效分子性质预测的方法。

来源:Nature Communications · doi.org