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
刚刚
LSH发布了新的文献求助10
刚刚
刚刚
1秒前
阿白发布了新的文献求助200
1秒前
1秒前
1秒前
靳先锋发布了新的文献求助10
2秒前
en发布了新的文献求助10
3秒前
3秒前
aabbfz发布了新的文献求助10
4秒前
hhhhhhl发布了新的文献求助30
4秒前
Bruce发布了新的文献求助10
4秒前
4秒前
llx发布了新的文献求助10
4秒前
yinyin发布了新的文献求助10
4秒前
4秒前
马头消灭者完成签到,获得积分10
5秒前
深情安青应助哈密瓜爸爸采纳,获得10
6秒前
shanjiao1324发布了新的文献求助10
6秒前
Nireus发布了新的文献求助10
7秒前
语上发布了新的文献求助10
7秒前
奶桃七七发布了新的文献求助10
7秒前
自然浩阑发布了新的文献求助10
7秒前
共享精神应助妃莫笑采纳,获得10
7秒前
FRED应助小马采纳,获得10
7秒前
猪猪完成签到,获得积分20
7秒前
LSH完成签到,获得积分10
7秒前
CipherSage应助陈陈陈介意采纳,获得10
8秒前
xiaoxia完成签到,获得积分10
8秒前
8秒前
JamesPei应助Wei采纳,获得10
8秒前
无风发布了新的文献求助20
9秒前
孤星独韵发布了新的文献求助10
9秒前
maction应助shionn采纳,获得10
10秒前
水悟子完成签到,获得积分10
11秒前
11秒前
北念霜oD4完成签到,获得积分10
11秒前
11秒前
等后来呢发布了新的文献求助10
12秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Evolution 3rd edition 1500
保险藏宝图 1000
Lire en communiste 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
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 3185143
求助须知:如何正确求助?哪些是违规求助? 2835525
关于积分的说明 8005128
捐赠科研通 2497954
什么是DOI,文献DOI怎么找? 1333207
科研通“疑难数据库(出版商)”最低求助积分说明 636803
邀请新用户注册赠送积分活动 604389