[论文翻译]分子系统精确高效几何深度学习的通用框架
分子科学研究涉及各种类型和尺寸的分子及其复合物的广泛问题。近年来,几何深度学习(尤其是图神经网络 (GNNs))在分子科学应用中展现出优异性能。然而,现有研究大多针对特定分子系统引入定向归纳偏置,在处理大分子或大规模任务时效率低下,限制了其在现实问题中的应用。为解决这些挑战,我们提出了PAMNet——一个通用框架,能够准确高效地学习任何分子系统中不同尺寸和类型的三维 (3D) 分子表征。受分子力学启发,PAMNet通过物理信息偏置显式建模局部与非局部相互作用及其协同效应,从而减少昂贵计算操作,实现时间和内存高效性。在涵盖小分子性质、RNA三维结构和蛋白质-配体结合亲和力的三大学习任务基准测试中,PAMNet在准确性与效率方面均超越现有最优基线。这些结果表明PAMNet在分子科学领域具有广泛的应用潜力。