2024年9月20日
北京——近日，来自清华大学的研究团队在分子性质预测领域取得重大突破，他们开发了一种名为分数去噪（Fractional denoising，简称Frad）的分子预训练框架，该框架在原子、分子和复合物级性质预测上展现出卓越性能，相关研究成果已发表在国际顶级期刊《Nature Machine Intelligence》上。
分子性质预测是药物发现和材料设计等领域的核心任务，传统方法如第一性原理计算和湿实验室实验虽然准确，但成本高昂且效率低下。近年来，科学家们开始探索深度学习方法，以期降低预测成本并加速筛选过程。然而，深度学习分子性质预测方法面临着一个主要难题——标记分子数据的稀缺性，这限制了模型的训练效果。
为了解决这一难题，清华大学的研究团队提出了一种新的自监督分子预训练方法——Frad。Frad通过引入化学感知噪声（CAN）和坐标高斯噪声（CGN）的混合噪声，不仅保留了分子的基本化学特性和物理原理，还允许噪声自定义，从而显著改善了分子分布建模。实验结果表明，Frad在力预测、量子化学特性和结合亲和力任务中，均取得了最先进的预测结果，其改进的噪声设计提高了力准确性和采样覆盖范围，创建了物理一致的分子表示。
Frad框架的核心在于，给定一个平衡分子构象，通过添加化学感知噪声和坐标高斯噪声的混合噪声，训练模型从噪声构象中预测CGN。这种“分数去噪”方法，不仅保留了力学习的解释，还通过化学先验的引入，优化了分子分布建模，从而在预测分子性质方面展现出卓越的性能。
在原子级力预测、分子级量子化学性质预测和蛋白质-配体复合物级结合亲和力预测等下游任务上，Frad均表现出色，不仅超越了现有预训练方法，还显著提高了未标记数据的利用效率，展现了其在分子性质预测领域的巨大潜力。
未来，研究团队计划进一步增加预训练数据量，以期在整体性能上取得更大突破。Frad的开发为分子性质预测提供了一种新的解决方案，有望加速药物发现和材料设计的进程，为相关领域的科学研究带来深远影响。
相关链接：
- 论文链接：https://www.nature.com/articles/s42256-024-00900-z
编辑注：
Frad预训练框架的提出，标志着分子性质预测领域的一次重要进步。通过结合化学先验和深度学习技术，Frad不仅提高了预测的准确性，还展示了在不同任务上的广泛适用性，为分子性质预测提供了新的思路和方法。随着预训练数据量的增加，Frad的潜力将进一步得到释放，有望在药物发现和材料设计等应用中发挥更大的作用。
Views: 0