Facebook、纽约大学、成均馆大学以及加拿大 CIFAR 的研究员联合发表了论文——使用深度生成图神经网络进行分子几何预测。以下为论文摘要。 分子的几何形状，也称为构象，是分子最重要的特性之一，决定了它参与的反应，它形成的键，以及它与其他分子的相互作用。常规的构象产生方法使手工设计的分子力场能量函数最小化，所述分子力场能量函数与在自然界中观察到的分子的真实能量函数没有很好地相关。它们产生几何形状不同的构象，其中一些构造与地面构象非常相似，而其他构象则非常不同。 在本文中，我们提出了条件深度生成图神经网络，通过直接学习生成分子构象给出分子图，从数据中学习能量函数。在三个大型小分子数据集中，我们证明了我们的方法产生了一组构象，这些构象平均更可能接近相应的参考构象，而不是从传统的力场方法获得的构象。我们的方法通过生成彼此不太相似的构象来维持几何多样性，并且计算速度也更快。我们还表明，我们的方法可用于为常规力场方法提供初始坐标。在评估数据集之一，我们表明，这种组合使我们能够结合最好的两个方法，产生生成的构象是平均接近地面实况构象一些非常相似的地面实况构象。