[论文解读] Equivariant Energy-Guided SDE for Inverse Molecular Design

Fan Bao, Min Zhao+4 more|arXiv (Cornell University)|Sep 30, 2022

Spectroscopy and Quantum Chemical Studies被引用 15

一句话总结

该论文提出等变能量引导SDE（EEGSDE），一种基于扩散的生成模型，用于可控的3D分子设计，通过利用在正交变换下不变的能量函数来利用几何对称性。EEGSDE在QM9和GEOM-Drug数据集上，将量子性质（如偶极矩）的生成均方误差降低30%以上，并通过线性组合能量函数实现多性质生成，优于基线条件扩散模型。

ABSTRACT

Inverse molecular design is critical in material science and drug discovery, where the generated molecules should satisfy certain desirable properties. In this paper, we propose equivariant energy-guided stochastic differential equations (EEGSDE), a flexible framework for controllable 3D molecule generation under the guidance of an energy function in diffusion models. Formally, we show that EEGSDE naturally exploits the geometric symmetry in 3D molecular conformation, as long as the energy function is invariant to orthogonal transformations. Empirically, under the guidance of designed energy functions, EEGSDE significantly improves the baseline on QM9, in inverse molecular design targeted to quantum properties and molecular structures. Furthermore, EEGSDE is able to generate molecules with multiple target properties by combining the corresponding energy functions linearly.

研究动机与目标

• 解决条件扩散模型在生成具有精确目标性质分子方面的局限性。
• 通过正交变换不变性，在3D分子构象中引入几何对称性。
• 开发一种灵活、可控的框架，利用能量函数作为引导实现逆向分子设计。
• 通过线性组合多个能量函数，实现同时满足多个目标性质的分子生成。
• 提升分子设计中量子性质和结构性质的生成质量和稳定性。

提出的方法

• 将分子生成形式化为尊重3D几何对称性的等变随机微分方程（SDE）。
• 引入在正交变换（旋转和反射）下不变的能量函数，确保等变引导。
• 在反向SDE过程中使用能量函数的梯度作为引导，以引导生成过程朝向期望性质。
• 采用基于得分的去噪框架，其中能量函数修改漂移项以引导反向过程。
• 应用缩放因子控制能量引导的强度，实现保真度与多样性之间的权衡。
• 通过线性组合多个能量函数，实现同时满足多个目标性质的分子生成。

实验结果

研究问题

• RQ1 通过利用几何对称性，能量引导的扩散模型是否能在3D分子生成中实现更好的可控性？
• RQ2 与标准条件扩散模型相比，能量引导SDE在生成特定量子性质分子方面表现如何？
• RQ3 EEGSDE是否能通过组合能量函数有效生成具有多个目标性质的分子？
• RQ4 能量函数对正交变换的不变性是否能带来更稳定和对称的分子构象？
• RQ5 能量引导的缩放因子在多大程度上影响生成分子的质量和结构匹配度？

主要发现

• 与QM9数据集上的条件EDM相比，EEGSDE在偶极矩属性上的均方误差降低超过30%。
• 在结构目标生成方面，EEGSDE在GEOM-Drug数据集上相比基线模型，结构相似性提升超过10%。
• 能量函数的线性组合可有效生成同时满足多个目标性质的分子，如$\alpha$、$\mu$和$\Delta\varepsilon$。
• 在多性质目标下，生成分子保持高新颖性（平均85.6%）、原子稳定性（97.7%）和分子稳定性（74.6%）。
• 能量引导的缩放因子显著改善了结构对齐度，较高值可获得与目标结构更好的匹配。
• 生成分子性质的分布与训练集分布高度一致，表明实现了忠实的性质建模。