网站建设公司排名及费用搜索引擎优化的技巧有哪些

UNI-MOL: A UNIVERSAL 3D MOLECULAR REPRESENTATION LEARNING FRAMEWORK

Neurips23

推荐指数：#paper/⭐⭐⭐#​（工作量不小)

动机

在大多数分子表征学习方法中，分子被视为 1D 顺序标记或2D 拓扑图，这限制了它们为下游任务整合 3D 信息的能力，这使得 3D几何预测/生成几乎不可能。为此，作者提出了一种3D分子表征学习方法

模型框架

​

贡献：

1. backborn:基于 Transformer 的模型，可以有效地捕获输入的 3D 信息，并直接预测 3D 位置。
2. 预训练。两个大规模数据集：一个 209M 分子构象数据集和一个 3M 候选蛋白质口袋数据集，分别用于分子和蛋白质口袋的预训练 2 个模型。以及两个预训练任务：3D 位置恢复和掩蔽原子预测，用于有效学习 3D 空间表示。
3. 微调。适用于各种下游任务的多种微调策略。例如，如何在分子性质预测任务中使用预训练的分子模型;如何在蛋白质-配体结合姿势预测中结合两个预训练模型。

backborn的设计：

常用有两种的设计：GNN与transformer

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，原子类型和原子坐标。模型中维护了两种表示形式（atom 和 pair）。原子表示由 Embedding 层从 atom 类型初始化;对表示由原子坐标计算的不变空间位置编码初始化。特别是，基于原子之间的成对欧几里得距离，对表示对全局旋转和平移是不变的。这两种表示在 self-attention 模块中相互通信。

编码3D位置：

编码 3D 位置 由于其排列不变性，Transformer 在没有位置编码的情况下无法区分输入的位置。与 NLP/CV 中使用的离散位置不同 ，3D 空间中的位置(坐标)是连续值。此外，位置编码过程在全局旋转和平移下需要保持不变。已经提出了几种 3D 空间位置编码来解决这个问题，我们没有兴趣重新发明一种新的编码。因此，我们对现有的编码进行了基准测试，并使用了一个简单而有效的编码：原子对的欧几里得距离，然后是一个对类型感知的高斯核。

此外，由于不变的 3D 空间位置编码是在对级编码的，作者还在 Transformer 中维护了对级表示，以增强 3D 空间表示。具体来说，对表示被初始化为上述空间位置编码。

然后，为了更新对表示，作者通过 self-attention 中的多头Query-Key 产品的结果使用atom到pair 通信。形式上，ij 对表示的更新表示为

q i j l + 1 = q i j l + { Q i l , h ( K j l , h ) T d ∣ h ∈ [ 1 , H ] } , \boldsymbol{q}_{ij}^{l+1}=\boldsymbol{q}_{ij}^l+\{\frac{\boldsymbol{Q}_i^{l,h}(\boldsymbol{K}_j^{l,h})^T}{\sqrt{d}}|h\in[1,H]\}, qijl+1​=qijl​+{d ​Qil,h​(Kjl,h​)T​∣h∈[1,H]},(多头注意力，H是通道数)

从形式上讲，具有对原子通信的自我注意表示为:

$\mathrm{Attention}({\mathbf{Q}}_i^{l,h},{\mathbf{K}}_j^{l,h},{\mathbf{V}}_j^{l,h})=\mathrm{softmax}(\frac{{\mathbf{Q}}_i^{l,h}({\mathbf{K}}_j^{l,h}{)}^T}{\sqrt{d}}+{\mathbf{q}}_{ij}^{l-1,h}){\mathbf{V}}_j^{l,h},$

其中$V_l$，$h_j$是第l层第h个头中第 j 个原子的值。

预测位置编码

${\hat{\mathbf{x}}}_i={\mathbf{x}}_i+{\sum }_{j=1}^n\frac{({\mathbf{x}}_i-{\mathbf{x}}_j)c_{ij}}{n},c_{ij}=\mathrm{ReLU}(({\mathbf{q}}_{ij}^L-{\mathbf{q}}_{ij}^0)\mathbf{U})\mathbf{W},$

此外，为了与 delta 位置预测保持一致，Uni-Mol 使用 delta 对表示来更新坐标，而 EGNN 直接使用对表示。我们在附录 D.3 中的基准测试表明 Uni-Mol 中的那个更好。

预训练策略

由于目的是预测位置信息，因此像bert一样的mask操作实际上是不可行的。因此，作者设计了一种新的mask策略。

​

具体的是，随机位置被用作损坏的输入 3D 位置，而不是掩码，并且模型经过训练以预测正确的位置。然而，学习从随机位置到真实原子位置的映射是非常具有挑战性的。

1. 重新分配，给定 m 个原子和 m 个随机位置，有 m！可能的任务。其中，遵循稳态作用原理 [47]，我们可以使用具有最小 delta 位置的那个。由于难以找到最优解，我们使用高效的贪婪算法来找到次优的重新分配。
2. 噪声范围，我们可以限制随机位置的空间，只允许具有噪声 （r） 的随机位置围绕真实位置。这里有一个权衡;如果 r 很大，则需要重新分配以使学习可行;如果 r 很小，则可能不需要重新分配

然后，在输入坐标损坏的情况下，使用两个额外的头来恢复正确的位置。1） 配对距离预测。基于对表示，该模型需要预测损坏的原子对的正确欧几里得距离。2） 坐标预测。基于 SE（3）-Equivariant 坐标头，该模型需要预测损坏原子的正确坐标。

最后，mask corrupt原子的原子类型，并使用head来预测正确的原子类型。为了方便微调，与 BERT 类似，使用一个特殊的原子 [CLS]，其坐标是所有原子的中心，用于表示整个分子/口袋。

微调阶段

这部分有不同的任务，需要不同的微调。

非 3D 预测任务

我们可以简单地使用 [CLS] 的表示，它代表整个分子/口袋，或者所有原子的平均表示，带有线性头来微调下游任务。在具有口袋-分子对的任务中，我们可以连接它们的 [CLS] 表示，然后用线性头进行微调。

分子或口袋的 3D 预测任务

在 Uni-Mol 中，这个任务直接变成了一个构象优化任务：根据不同的输入构象生成一个新的构象。具体来说，在微调中，模型监督学习从 Uni-Mol 生成的构象到标记构象的映射。此外，输出构象可以通过 SE（3）-Equivariant head 端到端生成

蛋白质-配体对的 3D 预测任务

见论文

​

后续内容和这个方向的积累有关，等积累够，重读这篇文章(读前面的文章以及transformer)