E(3)-equivariant Graph Neural Network
PulseAugur coverage of E(3)-equivariant Graph Neural Network — every cluster mentioning E(3)-equivariant Graph Neural Network across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架为张量值几何学习提供保证的SPD不确定性
研究人员开发了一个新的张量值几何学习中的不确定性量化框架，专门解决对称秩-2张量的预测问题。该方法确保了正定协方差矩阵，同时保持旋转对称性，这对于物理一致性至关重要。该方法利用了基于多元拉普拉斯分布的Log-Euclidean Equivariant Scoring Objective (LE-ESO)，提供了对重尾误差的鲁棒性以及稳定的优化。在ModelNet40和Materials Project等数据集上进行了测试，该框架提供了…
-
EquiPocket: E(3)-equivariant GNN advances protein binding site prediction
一篇研究论文介绍了一种名为 EquiPocket 的 E(3)-equi-variant 图神经网络，用于预测蛋白质结合位点，这是药物发现中的关键一步。与难以处理不规则蛋白质结构和旋转敏感性的传统 3D CNN 方法不同，EquiPocket 利用几何信息和 equi-variant 消息传递来更有效地模拟化学和空间结构。所提出的模型还包含一个密集注意力输出层，以处理蛋白质大小的变化，在基准数据集上的表现优于现有最先进的方法。
-
New Transformer Backbone Enhances Scalable Peptide Design
研究人员开发了MEET（Memory Efficient Equivariant Transformer），一种新的E(3)等变骨干网络，专为可扩展的原子级肽建模而设计。该框架在采用内存高效的注意力机制的同时，维护了不变的标量和等变的向量特征流。通过重新构建几何计算，MEET实现了与原子数量呈线性关系的内存扩展，并提高了生成质量，优于现有的肽设计方法。实验表明，它能够支持系统性的模型和数据扩展，从而提高肽生成中的结合亲和力、物理有效性…
-
New Transformer Backbone Enhances Scalable Peptide Design
研究人员开发了MEET（Memory Efficient Equivariant Transformer），一种新颖的E(3)等变骨干网络，专为可扩展的原子级肽建模而设计。该框架通过将原子结构压缩为潜在表示，解决了在几何约束下共同设计肽序列和结构所面临的挑战。MEET实现了与原子数量成线性增长的内存扩展，并与现有方法相比显示出更高的生成质量，有望在肽设计中实现系统性的模型和数据扩展。
-
AI 设计出经过湿式实验验证的新型 D-肽结合物
研究人员开发了一种新颖的生成式 AI 方法，用于设计 L-蛋白的 D-肽结合物，这类分子具有重要的治疗潜力。通过将轴向特征纳入 E(3) 等变向量模型，该系统可以从 L-肽结合物的训练数据中进行泛化，从而设计出 D-肽结合物。该方法在潜在扩散模型中实现，在计算机模拟中表现出卓越的性能，并已在湿式实验中得到验证，标志着在从头蛋白质设计中处理手性方面取得了重大进展。