Sehr genaue Vorhersage quantenchemischer Eigenschaften mit Uni-Mol+

Neuere Entwicklungen im Bereich des Deep Learning haben erhebliche Fortschritte bei der Beschleunigung der Vorhersage quantenchemischer (QC) Eigenschaften erzielt, indem sie die Notwendigkeit aufwändiger elektronenstrukturtheoretischer Berechnungen wie der Dichtefunktionaltheorie (DFT) überflüssig machen. Allerdings konnten bisherige Ansätze, die auf 1D-SMILES-Sequenzen oder 2D-Molekülgaphen basierten, keine hohe Genauigkeit erzielen, da QC-Eigenschaften primär von den 3D-Gleichgewichtskonformationen abhängen, die durch elektronenstrukturtheoretische Methoden optimiert werden – eine Struktur, die sich deutlich von sequenz- oder graphbasierten Daten unterscheidet. In diesem Artikel stellen wir einen neuartigen Ansatz namens Uni-Mol+ vor, um diese Herausforderung zu bewältigen. Uni-Mol+ generiert zunächst eine rohe 3D-Molekülkonformation mit kostengünstigen Methoden wie RDKit. Anschließend wird diese rohe Konformation iterativ mittels neuronalen Netzen auf ihre Ziel-DFT-Gleichgewichtskonformation aktualisiert, wobei die gelernte Konformation dann zur Vorhersage der QC-Eigenschaften verwendet wird. Um diesen Aktualisierungsprozess effektiv auf die Gleichgewichtskonformation hin zu lernen, führen wir einen zweigleisigen Transformer-Modell-Backbone ein und trainieren ihn gemeinsam mit der Aufgabe der QC-Eigenschaftsvorhersage. Zudem entwickeln wir eine neuartige Methode zur Steuerung des Trainingsprozesses des Modells. Unsere umfassenden Benchmark-Ergebnisse zeigen, dass der vorgeschlagene Ansatz Uni-Mol+ die Genauigkeit der Vorhersage quantenchemischer Eigenschaften in verschiedenen Datensätzen signifikant verbessert. Den Quellcode und das Modell stellen wir öffentlich unter \url{https://github.com/dptech-corp/Uni-Mol} zur Verfügung.