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
1秒前
慈祥的皮皮虾完成签到,获得积分20
1秒前
4秒前
ll完成签到,获得积分10
6秒前
淳于黎昕发布了新的文献求助10
7秒前
一郭红烧肉应助浅碎时光采纳,获得10
8秒前
菜鸟队长发布了新的文献求助10
9秒前
水寒发布了新的文献求助10
9秒前
hhh完成签到,获得积分10
10秒前
13秒前
慕青应助哭泣火车采纳,获得10
14秒前
Le完成签到,获得积分20
15秒前
爆米花应助Mercury采纳,获得10
16秒前
科目三应助科研通管家采纳,获得10
17秒前
李健应助科研通管家采纳,获得10
17秒前
脑洞疼应助科研通管家采纳,获得10
17秒前
CipherSage应助科研通管家采纳,获得10
17秒前
烟花应助科研通管家采纳,获得10
17秒前
Owen应助科研通管家采纳,获得10
17秒前
Suny发布了新的文献求助10
17秒前
18秒前
yan完成签到,获得积分10
19秒前
菜鸟队长完成签到,获得积分10
19秒前
21秒前
龙泉居士发布了新的文献求助10
21秒前
坚定汝燕发布了新的文献求助10
23秒前
23秒前
酷波er应助Alston采纳,获得10
26秒前
tttttewe完成签到,获得积分10
26秒前
CucRuotThua完成签到,获得积分10
28秒前
29秒前
坚定宝马发布了新的文献求助10
29秒前
husky完成签到 ,获得积分10
31秒前
31秒前
33秒前
Mercury发布了新的文献求助10
33秒前
35秒前
TG完成签到,获得积分10
36秒前
无限芝麻发布了新的文献求助20
37秒前
owen发布了新的文献求助10
37秒前
高分求助中
Evolution 3rd edition 1500
Lire en communiste 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
2-Acetyl-1-pyrroline: an important aroma component of cooked rice 500
Ribozymes and aptamers in the RNA world, and in synthetic biology 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 3180839
求助须知:如何正确求助?哪些是违规求助? 2831074
关于积分的说明 7982863
捐赠科研通 2492963
什么是DOI,文献DOI怎么找? 1329932
科研通“疑难数据库(出版商)”最低求助积分说明 635850
版权声明 602954