Uni-Mol: A Universal 3D Molecular Representation Learning Framework

计算机科学 代表(政治) 限制 变压器 机器学习 人工智能 范围(计算机科学) 训练集 编码(集合论) 三维模型 理论计算机科学 程序设计语言 工程类 政治 电气工程 政治学 电压 集合(抽象数据类型) 机械工程 法学
作者
Gengmo Zhou,Zhifeng Gao,Qiankun Ding,Hang Zheng,Hongteng Xu,Zhewei Wei,Linfeng Zhang,Guolin Ke
标识
DOI:10.26434/chemrxiv-2022-jjm0j-v4
摘要

Molecular representation learning (MRL) has gained tremendous attention due to its critical role in learning from limited supervised data for applications like drug design. In most MRL methods, molecules are treated as 1D sequential tokens or 2D topology graphs, limiting their ability to incorporate 3D information for downstream tasks and, in particular, making it almost impossible for 3D geometry prediction/generation. In this paper, we propose a universal 3D MRL framework, called Uni-Mol, that significantly enlarges the representation ability and application scope of MRL schemes. Uni-Mol contains two pretrained models with the same SE(3) Transformer architecture: a molecular model pretrained by 209M molecular conformations; a pocket model pretrained by 3M candidate protein pocket data. Besides, Uni-Mol contains several finetuning strategies to apply the pretrained models to various downstream tasks. By properly incorporating 3D information, Uni-Mol outperforms SOTA in 14/15 molecular property prediction tasks. Moreover, Uni-Mol achieves superior performance in 3D spatial tasks, including protein-ligand binding pose prediction, molecular conformation generation, etc. The code, model, and data are made publicly available at https://github.com/dptech-corp/Uni-Mol.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
火星上的亦寒完成签到,获得积分10
3秒前
3秒前
3秒前
Sheepycat发布了新的文献求助10
4秒前
高公子完成签到,获得积分10
4秒前
5秒前
晓月关注了科研通微信公众号
6秒前
ZXH应助lcm采纳,获得10
6秒前
六天发布了新的文献求助10
6秒前
6秒前
FGG完成签到,获得积分10
7秒前
WHY发布了新的文献求助10
8秒前
求助完成签到,获得积分10
9秒前
10秒前
ranta发布了新的文献求助10
11秒前
彭于晏应助albertxin采纳,获得10
12秒前
12秒前
奋斗的松思完成签到,获得积分10
12秒前
彭于晏应助我觉得很危险采纳,获得30
13秒前
江睿曦发布了新的文献求助10
13秒前
酷波er应助安静的雪采纳,获得10
13秒前
wanci应助阿宝采纳,获得10
14秒前
15秒前
677完成签到 ,获得积分10
16秒前
桃之夭夭发布了新的文献求助10
16秒前
18秒前
小羊发布了新的文献求助10
18秒前
风趣安青发布了新的文献求助10
20秒前
忆夕发布了新的文献求助10
20秒前
21秒前
上官若男应助naturehome采纳,获得10
22秒前
22秒前
小白完成签到,获得积分10
23秒前
灵巧的笑萍关注了科研通微信公众号
23秒前
24秒前
林森发布了新的文献求助10
24秒前
haapy发布了新的文献求助10
24秒前
sunsun10086完成签到 ,获得积分10
24秒前
健康的幻珊完成签到,获得积分10
25秒前
小白发布了新的文献求助10
25秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Write Like a Chemist: A Guide and Resource (第二版) 600
Mixed-anion Compounds 600
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
Earth System Geophysics 500
Aspects of Babylonian celestial divination: the lunar eclipse tablets of Enūma Anu Enlil 500
Geochemistry, 2nd Edition 地球化学经典教科书第二版 401
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3199603
求助须知:如何正确求助?哪些是违规求助? 2848445
关于积分的说明 8067992
捐赠科研通 2513121
什么是DOI,文献DOI怎么找? 1345678
科研通“疑难数据库(出版商)”最低求助积分说明 640093
邀请新用户注册赠送积分活动 609772