由于GNN在捕获领域信息有优势,而局部连接的图缺乏捕捉原子之间长距离相互作用的能力。作者认为长距离信息更有用,因此选择Transformer 作为 Uni-Mol 中的主干模型。因为它完全连接了节点/原子,因此可以学习可能的长程相互作用。 整体结构概述 如图2 所示,Uni-Mol 主干是基于 Transformer 的模型。它有两个输入...
只是unimol中的输入变为了atom type和atom coordinate,坐标通过pair-wise distance(转化为attn_bias)输入给transformer block。 3D信息编码 (相比于NLP/CV,模型的输入编码需要满足SE3-invariant) 通过对现有的3D空间位置编码方法进行对比,最后选择了使用atom pair的欧几里得距离加上Pair-type aware高斯核函数的方式进行...
除了 QC 性质预测外，Uni-Mol+ 还可以预测平衡构象。虽然该研究主要集中在 QC 属性预测上，并且证明了 Uni-Mol+ 的有效性，但可视化的结果可以帮助更好地理解 Uni-Mol+ 的工作原理。因此，研究人员还为 PCQM4MV2 数据集中 Uni-Mol+ 的构象学习提供了两个额外的分析。第一个分析评估预测的构象。如图 2 所示，...
深势科技团队基于 Uni-Mol 框架,利用了近160万个分子的结构信息及半经验计算结果预训练,再使用约1500个量子化学计算数据进行微调,得到DFT 级别精度的预测模式(r>0.9),其推理速度比传统 DFT 方法快10,000,000倍。Uni-Mol 强大的预测能力极大节省了的计算成本,仅用半小时就实现在量子化学精度下百万级有机配合物数...
三维MRL框架Uni-Mol由三个部分组成，基于Transformer的骨干处理3D数据、学习分子表征和口袋表征的预训练模型、以及面向各类下游任务的微调策略。目前，Uni-Mol可以做任务有三类。分别是小分子，蛋白口袋，以及蛋白跟小分子结合的复合物。蛋白质与配体结合的预测，是基于结构的药物设计中最重要的任务之一。Uni-Mol结合了...
北京深势科技有限公司于2023年06月05日申请了名称为UNI-MOL的第42类商标,商标注册号为72033791,由北京超凡知识产权代理有限公司代理申请。
Uni-Mol 性能优越、模型泛化能力强，在小分子性质预测、蛋白靶点预测、蛋白-配体复合物构象预测、量子化学...
商标名称 UNI MOL 国际分类 第42类-网站服务 商标状态 - 申请/注册号 68143827 申请日期 2022-11-04 申请人名称(中文) 北京深势科技有限公司 申请人名称(英文) - 申请人地址(中文) 北京市海淀区海淀东三街2号14层1401 申请人地址(英文) - 初审公告期号 - 初审公告日期 - 注册公告期号 - 注册公告日期 -...
与现有大多数分子表征学习模型的不同之处在于,Uni-Mol 跳出大多模型所采用的一维序列或二维图结构,而是直接利用分子三维结构作为模型输入和输出,利用分子的三维信息训练模型。 这一三维 MRL 框架 Uni-Mol 由三个部分组成,即基于 Transformer(基于自注意力机制的一个深度学习模型)的骨干处理 3D 数据、两个分别学习分...
L'App Unimol è l'applicazione ufficiale dell'Università degli Studi del Molise. L'App è stata realizzata con il contributo degli studenti del Corso di Laurea di…