Un transformador preentrenado equivalente para el aprendizaje de representación molecular 3D unificada

Área de la Ciencia:

• Química computacional es la química computacional.
• Biología estructural Biología estructural.
• Descubrimiento de fármacos.

Sus antecedentes:

• El entrenamiento en moléculas 3D sin etiquetar mejora el rendimiento en aplicaciones científicas.
• Los modelos existentes a menudo carecen de integración del conocimiento entre dominios.
• Aprovechar diversos datos moleculares puede mejorar la generalización.

Objetivo del estudio:

• Introducir un nuevo modelo de base de todos los átomos para moléculas 3D.
• Permitir el entrenamiento previo en conjuntos de datos moleculares de múltiples dominios.
• Mejorar la generalización a través de varias tareas científicas.

Principales métodos:

• Desarrolló una arquitectura de transformador E(3)-equivalente.
• Aprendizaje de funciones incorporado a nivel atómico y a nivel de gráfico.
• Entrenó el modelo en diversos conjuntos de datos moleculares 3D.

Principales resultados:

• Logró mejoras significativas en la predicción de la afinidad de unión de ligandos.
• Rendimiento competitivo demostrado en la predicción de propiedades de proteínas y moléculas pequeñas.
• Se identificaron y validaron con éxito compuestos antivirales potenciales contra la proteasa principal del SARS-CoV-2.

Conclusiones:

• El Equivariant Pretrained Transformer aprovecha efectivamente el conocimiento de dominios cruzados para moléculas 3D.
• El modelo muestra una amplia aplicabilidad en la predicción de propiedades moleculares y el descubrimiento de fármacos.
• Este modelo de base ayuda a identificar candidatos antivirales prometedores.