Mamba-driven multi-perspective structural understanding for molecular ground-state conformation prediction
Yuxin Gou, Aming Wu, Richang Hong, Meng Wang
全面了解分子结构对于预测涉及属性信息的分子地面状态构象非常重要。 同时,状态空间模型(例如Mamba)最近已成为长序列建模的有希望的机制,并在各种语言和视觉任务中取得了显着成果。 然而,对于分子地面状态构象预测,利用曼巴了解分子结构是探索不足的。 为此,我们努力用Mamba设计一个通用且高效的框架,以捕获关键组件。 一般来说,分子结构可以被认为是由三个元素组成,即原子类型,原子位置和原子之间的连接。 因此,考虑到这三个要素,提出了一种由Mamba驱动的多视角结构理解(MPSU-Mamba)的方法,以定位分子地面状态构象。 特别是对于复杂和多样化的分子,探索三种不同类型的专用扫描策略,以构建对相应分子结构的全面感知。 定义一个明亮的通道引导机制来区分与构象相关的原子信息。 QM9和Molecule3D数据集的实验结果表明,MPSU-Mamba明显优于现有方法。 此外,我们观察到,对于很少的训练样本,MPSU-Mamba仍然取得了卓越的性能,这表明我们的方法确实有利于理解分子结构。
A comprehensive understanding of molecular structures is important for the prediction of molecular ground-state conformation involving property information. Meanwhile, state space model (e.g., Mamba) has recently emerged as a promising mechanism for long sequence modeling and has achieved remarkable results in various language and vision tasks. However, towards molecular ground-state conformation prediction, exploiting Mamba to understand molecular structure is underexplored. To this end, we str...