本帖最后由 casjxm 于 2025-8-4 15:14 编辑
1. 平台目标与背景 Geom3D旨在解决分子几何表示学习的标准化评测问题： - 科学挑战：分子（小分子、蛋白质、晶体）的3D几何结构蕴含关键物理化学性质，但对称性（如SE(3)-等变性）建模复杂，且科学界与机器学习界存在知识鸿沟。
- 平台使命：提供统一的评测基准，消除领域壁垒，指导模型选择与优化。
2. 技术框架与创新 2.1 对称性几何表示的统一分类 Geom3D首次将对称性模型分为三类： - 不变模型（Invariance）
- 仅处理旋转平移不变的标量特征（如原子距离、键角）。
- 代表方法：SchNet、DimeNet++、SphereNet。
- 球面框架等变模型（Spherical Frame Basis）
- 利用球谐函数投影坐标，支持高阶对称性表示（如SO(3)-等变）。
- 代表方法：TFN、SE(3)-Transformer、Equiformer。
- 向量框架等变模型（Vector Frame Basis）
- 通过局部向量框架投影坐标，高效处理3D点云。
- 代表方法：EGNN、PaiNN、MoleculeSDE。
2.2 多领域统一评测平台 [td] | 类型 | 数据集 | 任务示例 | | 小分子 | QM9（量子属性）、MD17（分子动力学） | 能量/力预测、结合亲和力预测 | | 蛋白质 | LBA/LEP（配体结合）、EC/Fold | 酶功能分类、蛋白质折叠分类 | | 晶体材料 | MatBench、QMOF | 能带隙、弹性模量预测 |
- 预处理适配：针对周期性晶体结构设计数据增强方法。
2.3 几何预训练与任务拓展 - 预训练方法：支持14种策略，包括：
- 自监督：GeoSSL（去噪互信息最大化）、3D InfoGraph。
- 多模态：GraphMVP（2D拓扑与3D几何对齐）。
- 任务扩展：支持力场预测、构象生成、跨域迁移学习等。
2.4 工程优化与可复现性 - 预处理技巧：如晶体周期性数据增强（图6）、分子动力学数据归一化（图5）。
- 超参数标准化：统一学习率调度（如Cosine Annealing）、随机种子控制。
3. 关键实验结果与洞见 3.1 几何表示的重要性 - QM9量子属性预测：几何模型（如PaiNN）显著优于1D/2D模型（MAE降低1个数量级）。
- 案例：在MD17分子力场预测中，数据归一化使力预测误差平均降低30%。
3.2 模型表现对比 - 无单一最优模型：不同任务适配不同架构：
- 小分子：PaiNN、GemNet在量子任务领先。
- 蛋白质：CDConv在折叠分类任务最优。
- 晶体：Gathered数据增强效果更佳。
3.3 预训练有效性
- GeoSSL与MoleculeSDE在迁移学习中表现最佳，尤其在数据受限场景提升显著。
4. 平台价值与开源 - 科学价值：
- 为计算化学、结构生物学、材料科学提供模型选择指南。
- 推动几何学习与多模态（如文本-分子）结合的跨域研究。
- 开源资源：
- 代码托管于GitHub，集成16个几何模型、14种预训练方法、46个数据集。
- 标准化数据预处理流程与超参数配置。
5. 未来方向 - 扩展任务：添加Atom3D、OC20等数据集。
- 多模态融合：探索几何结构与文本描述的联合建模（如蛋白质设计）。
- 计算优化：降低高阶等变模型的计算开销（如GemNet的O(nk3)复杂度）。
Geom3D通过统一框架、严谨评测与工程优化，成为连接机器学习与科学发现的桥梁，推动几何表示学习在科学计算中的落地应用。
引用： Shengchao Liu, weitao Du, Yanjing Li,Zhuoxinran Li, Zhiling Zheng, Chenru Duan, Zhi-Ming Ma, Omar M. Yaghi, AnimaAnandkumar, Christian Borgs, Jennifer T Chayes, Hongyu Guo, Jian Tang,Symmetry-Informed Geometric Representation for Molecules, Proteins, andCrystalline Materials, 2023
| 
发表于 2025-8-4 15:12:35
