- 综合排序
- 最热优先
- 最新优先
- 来自专栏WOLFRAM
交互式查询化学键信息
@Cross[b1, b2]; n2 = Normalize@Cross[b2, b3]; ArcTan[n1.n2, Cross[n1, Normalize@b2].n2] ]; dihedralFromAtomNumbers[{a1_,a2_,a3_,a4_}]:=dihedralFromVectors[ (Subtract@@coords [[#]])&/@{{a1,a2},{a2,a3},{a3,a4}} ]; bondLength[{a1_,a2_}]:=EuclideanDistance@@coords[[{a1, a2}]]; bondAngle[{a1_,a2_,a3_}]:=VectorAngle @@ ((Subtract@@coords[[#]]) &/@ {{a2,a1},{a2,a3}}); ])/100,""]}, {"bond angle", If[Length@Union@pts>2, (bondAngle@pts[[;;3]])/Degree,""
92630发布于 2018-05-31 - 来自专栏量子化学
用EzReson进行化学键共振分析（6）：实例：吡咯的共振结构
吡咯的平衡结构 2. 单点NBO分析 EzReson所需的输入文件为Gaussian的.out文件、.fchk文件以及NBO的.33文件。这些文件都可以从Gaussian的单点NBO分析计算得到。 化学共振分析 化学共振分析的输入文件pyrrole_wfrt.in如下： File = pyrrole-sgp Job = WFRT LMOS = 16 17 18 Atoms = 1 2 3 4 5 3-4 2 0.413061 0.2891228 270.26 12.01% 8.55% 7.19% 8.73% 8.50% 2: 3-4 1-5 3 7.81% 5.99% 7.98% 8.27% 1: 2-3 4-5 这5个Lewis结构示意图和相应的比例分别为： ? 这也说明了吡咯中的N原子不是sp3杂化，而是sp2杂化。吡咯中N原子的杂化方式说明了原子可以为了共振效应的最大化，而采取非标准的杂化方式。
4.2K30发布于 2021-04-07 - 来自专栏智药邦
百度研究成果登《Nature》子刊：利用几何构象提升化合物分子建模效果
图1: GEM的整体框架 基于空间结构的图神经网络 由于化合物的集合结构可以完全被原子－化学键键长－键角确定。GEM提出了一种基于空间结构的图网络，同时对原子－化学键－键角的关系建模空间结构信息。 每个化合物由两个图组成：原子－化学键的图G和化学键－键角的图H。类似于过往的工作，原子－化学键的图G以原子作为图的节点，化学键作为连接原子的边。 而化学键－键角的图H则为首次引入，以化学键作为图的节点，两个化学键所形成的键角为图的边。图神经网络包含多轮迭代，而化学键作为每一轮迭代中图G和图H的桥梁进行信息互通。 基于空间结构的自监督学习 为了使模型更好学习到化学空间知识，GEM不单单只是将几何信息作为输入，更进一步地设计了基于几何信息的学习任务（目标）：预测化学键的长度；预测化学键组成的键角；预测两两原子之间的距离 描述局部结构的自监督学习任务随机挑选化合物中以某个原子为中心的子图并进行遮盖，预测被遮盖的子图中的化学键的键长和化学键间形成的键角。描述全局结构的自监督学习任务则预估原子距离矩阵中的元素。
67140编辑于 2022-03-04 AI+Drug 文献速递 | YuelBond，一个基于图神经网络的多场景化学键重建通用框架
，创新点在于能在多种复杂场景下准确重建化学键。 该框架基于图神经网络，以原子为节点、化学键为边，通过特定的消息传递机制学习和预测键序。 实验使用GEOM数据集，在三种场景下对模型进行训练和评估：从准确3D原子坐标恢复键序、在有几何扰动的粗新生化合物中重建化学键、对2D拓扑图重新分配键序。 2. 该框架先使用DNABERT-2和DNABERT-S对DNA测序读取进行嵌入，再通过简单聚合、聚类等方法处理得到的嵌入信息，最后用于疾病分类。实验使用两个宏基因组数据集，涵盖肝硬化和2型糖尿病相关样本。
63410编辑于 2026-01-08- 来自专栏机器之心
“几何构象增强AI算法”，百度生物计算最新研究成果登上《Nature》子刊
图 1: GEM 的整体框架 基于空间结构的图神经网络 由于化合物的集合结构可以完全被原子－化学键键长－键角确定。 GEM 提出了一种基于空间结构的图网络，同时对原子－化学键－键角的关系建模空间结构信息。每个化合物由两个图组成：原子－化学键的图 G 和化学键－键角的图 H。 类似于过往的工作，原子－化学键的图 G 以原子作为图的节点，化学键作为连接原子的边。而化学键－键角的图 H 则为首次引入，以化学键作为图的节点，两个化学键所形成的键角为图的边。 基于空间结构的自监督学习 为了使模型更好学习到化学空间知识，GEM 不单单只是将几何信息作为输入，更进一步地设计了基于几何信息的学习任务（目标）：预测化学键的长度；预测化学键组成的键角；预测两两原子之间的距离 描述局部结构的自监督学习任务随机挑选化合物中以某个原子为中心的子图并进行遮盖，预测被遮盖的子图中的化学键的键长和化学键间形成的键角。描述全局结构的自监督学习任务则预估原子距离矩阵中的元素。
65930编辑于 2022-03-04 - 来自专栏智药邦
JCIM｜RJT-RL：一种基于化合物的可逆树表示和深度强化学习的分子设计方法
简要地说，连接树中的节点表示分子图中的一个化学键或一个环[这些化学键和环已经预先从数据库中筛选出来定义好。 如图S1所示，第三行中矩形框表示连接树中的化学键节点（对应分子图中的一个化学键）；圆圈表示连接树中的环节点(对应分子图中的环)；红色圆圈为单原子节点，其被三个化学键节点连接，详细的介绍可以参考原始论文] 原始的连接树表示中的边包括两类：两节点之间只有一个公共原子[称为“type-1 edge”（类型1边）]和两个节点之间有两个公共原子[称为“type-2 edge”（类型2边）]。 类型1边又可细分为三种情况：(1)化学键节点连接单原子节点；(2)两个化学键节点相连；(3)化学键节点和环节点相连。图1A上示例了两个化学键节点相连，图1A下示例了化学键节点和环节点相连。 如（A）上，两个连接树节点的公共原子是0号位的N和0号位的N；而（A）下，两个连接树节点的公共原子是2号位的C和0号位的C。(B) 类型2边的site information（有两个公共原子）。
58530编辑于 2022-11-16 - 来自专栏DrugOne
Nat. Mach. Intell. | 利用几何构象提升化合物分子建模效果
图1: GEM的整体框架 基于空间结构的图神经网络 由于化合物的集合结构可以完全被原子－化学键键长－键角确定。GEM提出了一种基于空间结构的图网络，同时对原子－化学键－键角的关系建模空间结构信息。 每个化合物由两个图组成：原子－化学键的图G和化学键－键角的图H。类似于过往的工作，原子－化学键的图G以原子作为图的节点，化学键作为连接原子的边。 而化学键－键角的图H则为首次引入，以化学键作为图的节点，两个化学键所形成的键角为图的边。图神经网络包含多轮迭代，而化学键作为每一轮迭代中图G和图H的桥梁进行信息互通。 基于空间结构的自监督学习 为了使模型更好学习到化学空间知识，GEM不单单只是将几何信息作为输入，更进一步地设计了基于几何信息的学习任务（目标）：预测化学键的长度；预测化学键组成的键角；预测两两原子之间的距离 描述局部结构的自监督学习任务随机挑选化合物中以某个原子为中心的子图并进行遮盖，预测被遮盖的子图中的化学键的键长和化学键间形成的键角。描述全局结构的自监督学习任务则预估原子距离矩阵中的元素。
71210编辑于 2022-03-25 - 来自专栏DrugOne
Nat. Commun. | 通过多任务图表征学习解决单步逆合成预测
表2：消融对比 表2显示，完整的Retro-MTGR系统性能显著优于所有简化版本。 研究还发现，即使是看似简单的化学键能量信息也能显著提升系统性能，因为高能量的化学键往往更容易参与反应。 图 2 图2形象地展示了这种“相反相吸”的规律。研究发现，在化学反应中存在三种这样的配对：形成主产物的原子对、形成副产物的原子对，以及参与反应的原子与其分离基团之间的配对。 图 3 为了更深入地理解这一规律，研究人员分析了化学键的特征。如图3所示，他们发现： 高能量的化学键（如三重键、芳香键）通常很稳定，不易参与反应。 它先将目标分子（标记为“1”）分成两块（“2”和“3”），然后继续将这些部分分解成更小的片段（“4”到“7”）。这就像提供了一份“倒序”的组装说明书。
42200编辑于 2025-04-19 NeurIPS 2025 | UAE-3D：统一潜空间破解3D分子生成的效率困境
碎片化潜空间与统一潜空间的对比示意图 2. GeoLDM vs UAE-3D： GeoLDM：分离的不变-等变潜空间 UAE-3D：统一的等变潜空间 启示：统一设计在效率和一致性上更优 GLDM/HGLDM vs UAE-3D： GLDM/HGLDM：2D 图潜空间，关注拓扑 UAE-3D：3D统一潜空间，关注几何 结合：可以先用 GLDM 生成2D拓扑，再用 UAE-3D 优化3D构象 GCLDM vs UAE-3D： GCLDM：在原子空间中进行几何完备扩散 这归功于两个因素：（1）充足的容量：潜空间的维度足够大，能够编码所有必要信息；（2）关系变换器：显式建模原子-键关系，确保边信息不丢失。 Q2：学习等变性是否真的学到了物理对称性，还是只是记忆了训练数据？ 这是一个深刻的问题。从实验来看，UAE-3D 在测试集上也保持了等变性，说明它学到的是泛化的对称性而非记忆。
33010编辑于 2026-01-22- 来自专栏智药邦
Nat Commun｜西北工业大学施建宇团队：通过多任务图表示学习进行单步逆合成预测
Retro-MTGR的工作流程图 研究亮点：从键能到分子电性，AI揭示药物合成的深层规律 这项研究的最大亮点之一，在于通过学习分子化学键的结构，键能等属性，揭示了哪些化学键可能成为反应中心，哪些则可能只是普通的化学键 （图2）。 具体来说： 高键能（>=360 kJ/mol）的化学键，如双键和三键，通常是普通键； 低键能的单键（如C-N、C-O等）可能是反应中心，也可能是普通键，这取决于周围分子的结构； 反应中心的原子通常具有相反的电性 图2.化学键嵌入空间的展示 图3.合成子和离去基的联合嵌入空间展示 实验验证：准确预测药物合成路径 为了验证这一创新框架的有效性，研究团队通过预测两种药物Sonidegib和Acotiamide的逆合成路线
61810编辑于 2025-02-05 - 来自专栏DrugOne
Nat. Commun. | 引导等变扩散驱动的靶标感知三维分子生成
研究人员提出了 DiffGui，一种靶点条件的 E(3)-等变扩散模型，通过引入化学键扩散和性质引导来解决这些问题。原子扩散与化学键扩散的结合能够显式建模两者的相互依赖，从而同时生成原子和键。 消融实验进一步验证了化学键扩散和性质引导模块的重要性。DiffGui 在新药设计与先导化合物优化中均展现出卓越表现，并在实验室实验中获得验证。 它在前向过程中对原子与化学键分别注入噪声，并在反向生成过程中结合分子性质（如结合亲和力、QED、合成可行性、LogP 和极性表面积）进行引导。 该设计既解决了原子与化学键间的一致性问题，也通过性质约束提升了分子的药物样特征。 研究人员提出的 DiffGui 模型通过整合化学键扩散和性质引导，能够同时生成原子与键，并在保证结构合理性的同时，赋予分子期望的药物属性。
50410编辑于 2025-09-02 - 来自专栏DrugOne
Nat. Mach. Intell. | MolCLR:一个用于分子表征学习的自监督框架
键删除(Bond Deletion)如图1(b)中的黄色方框所示, "键删除"以一定比例随机删除原子之间的化学键。 原子之间化学键的形成和断裂决定了化学反应中分子的属性。键的删除模拟了化学键的断裂，促使模型学习一个分子在各种反应中的关联性。 然后，被屏蔽的原子之间的化学键被删除，这样被屏蔽的原子和被删除的化学键就形成了原分子图的子图。如图1(b)中的蓝色方框所示，被移除的子图包括被遮蔽原子之间的所有化学键。 图2. 基于分类基准的分子图增强的研究。 总结 通过MolCLR学习的分子表征证明了在数据有限的情况下对分子任务的可转移性以及在大的化学空间中的概括能力。此外，自监督学习的表征可视化和解释也很有意义。
88140编辑于 2022-03-25 - 来自专栏机器之心
人类首次完全利用AI发现「迄今最强抗生素」，登上《细胞》杂志封面
在这篇论文中，研究者表示有向信息传递网络能直接从分子的图结构预测分子的属性，其中原子可以表示为节点，化学键可以表示为边。 在初始化特征向量时，它又分为原子特征向量与化学键特征向量。 如下最左边的神经网络建模，其最上面为一个分子图，第 3 个原子和第 4 个原子都有连向第 2 个原子的化学键（Bond），下面两个黑色的向量表示这两个连接。 以此类推，红色向量表示第 2 个原子连接到第 1 个原子的化学键。 ? 该模型应用了一系列信息传递步骤，它会聚合邻近原子与化学键的信息，从而理解局部分子的化学性质。 在有向信息传递网络的每次信息传递过程中，通过求和邻近化学键特征向量，并馈送到非线性单层神经网络中，化学键特征向量能得到更新。
99520发布于 2020-02-25 Nat. Commun. | 双图表示增强Transformer模型的分子性质预测
近年来，Transformer模型凭借全局自注意力机制逐渐应用于分子学习，但如何充分编码原子、化学键、拓扑结构及立体几何信息，仍然是限制模型性能的重要因素。 其中，图神经网络能够直接利用原子和化学键构建分子图，因此成为分子机器学习的重要方向。 原子图以原子作为节点、化学键作为边；键图则通过线图变换，将化学键视为节点，原子连接关系转化为边，从而从另一种角度描述分子拓扑结构。 图2: DGT在四类分子性质预测任务上的性能比较。 双图表示和结构编码共同贡献模型性能 为了分析模型性能来源，研究人员分别移除不同模块进行消融实验。 相比传统仅依赖原子图的方法，双图表示同时建模原子和化学键，使自注意力能够更加全面地学习局部化学环境和全局拓扑关系，从而显著提升分子性质预测性能。
19510编辑于 2026-07-13Nucleic. Acids Res.| 概率扩散驱动的AI药物设计：从靶标结构感知到亲和力驱动再到保守相互作用引导
DiffDec （图2）将蛋白口袋与保留骨架作为固定条件，待生长的 R 基团原子坐标和类别在前向过程中逐步加噪，再由 E(3) 等变图神经网络在反向过程中恢复。 其中，单位点和多位点R基团恢复率分别达到 69.67% 和 45.34%，显著优于LibINVENT、Pocket2Mol和Flag等自回归模型。 图2. 靶标结构感知的DiffDec 模型框架。 Diffleop在全连接分子图上对配体原子坐标、原子类型和化学键类型进行同步扩散，并以“虚拟键”表示原本不存在的连接，使模型能够在统一的去噪过程中学习化学键的分布。 消融实验进一步验证了两项引导信息的互补作用：亲和力引导决定分子向更强结合方向优化，化学键扩散则帮助模型维持结构合理性和类药性。
16021编辑于 2026-07-14- 来自专栏DrugOne
直接分子构象生成
网络的每一层包含四个模块，它们工作方式如下：（1）对于每一个化学键，利用它两个端点的原子特征去更新该化学键的特征；（2）对于任意原子，利用和它相邻的化学键去更新原子的特征；（3）利用刚刚更新的原子和化学键特征去更新分子的一个整体表达 拓展：2D & 3D 联合预训练 DMCG侧重于从2D分子图生成3D构象。基于DMCG的模型架构和训练方案，作者提出基于2D & 3D的联合预训练。该工作发表于KDD2022。 作者在PCQM4M-v2的数据集上进行预训练，训练预料约3.38M个 2D/3D数据对。预训练的网络结构和DMCG网络结构保持一致。 图四：损失函数流程图。 作者在分子属性预测，和2D到3D构象生成任务上进行了实验，都取得了令人满意的结果。 表2：分子属性预测任务。 在表2中，作者展示了若干分子属性预测任务的结果。 表2(a)和2(b)展示的是在moleculeNet和OGB-molpcba上预测的结果。这两个数据集都是只有2D图信息，没有3D信息。
1.4K30编辑于 2022-11-28 - 来自专栏DrugOne
Nucleic. Acids Res.| 概率扩散驱动的AI药物设计：从靶标结构感知到亲和力驱动再到保守相互作用引导
DiffDec （图2）将蛋白口袋与保留骨架作为固定条件，待生长的 R 基团原子坐标和类别在前向过程中逐步加噪，再由 E(3) 等变图神经网络在反向过程中恢复。 其中，单位点和多位点R基团恢复率分别达到 69.67% 和 45.34%，显著优于LibINVENT、Pocket2Mol和Flag等自回归模型。 图2. 靶标结构感知的DiffDec 模型框架。 Diffleop在全连接分子图上对配体原子坐标、原子类型和化学键类型进行同步扩散，并以“虚拟键”表示原本不存在的连接，使模型能够在统一的去噪过程中学习化学键的分布。 消融实验进一步验证了两项引导信息的互补作用：亲和力引导决定分子向更强结合方向优化，化学键扩散则帮助模型维持结构合理性和类药性。
18820编辑于 2026-07-14 - 来自专栏罗超频道
“筷搜”来了，不完美但绝对牛X！
该技术在国外已有超过35年的商用历史，它可以通过侦测有机物的化学键特征分析其成分，被用在食品行业品质分析、有机物含量非接触监测，在食品、畜牧和防治等行业被广泛应用。 检测原理如下： 在有机物分子中，组成化学键或官能团的原子处于不断振动的状态，其振动频率与红外光的振动频率相当。 所以，用红外光照射有机物分子时，分子中的化学键或官能团可发生震动吸收，不同的化学键或官能团吸收频率不同，在红外光谱上将处于不同位置，从而可获得分子中含有何种化学键或官能团的信息。
97040发布于 2018-04-25 分子生成模型 TABASCO：用极简架构实现物理级精度，速度提升 10 倍！
下半部分：Transformer如何“看懂”分子 图2下半部分是TABASCO的核心架构，可拆解为三大模块： 1. 2. 无键设计：让Transformer专注于坐标生成 传统模型将化学键作为独立模态处理，导致计算资源分散。 TABASCO反其道而行： • 生成时只预测原子坐标和类型，不建模化学键 • 生成后用RDKit等成熟工具根据坐标自动推断键合关系 • 实验证明：只要坐标足够精确，化学键信息可完全由物理规则推导 这种设计让模型将 2. 物理约束微调：最后一公里的质量保障 即使是优秀模型，生成后期也可能出现微小坐标漂移，导致物理规则违反。
21710编辑于 2026-01-08Nat. Commun. | 基于距离几何学的生成流模型用于化学反应过渡态预测
该方法直接在原子间距离空间中进行生成建模，从而更加自然地描述化学键断裂与形成过程。研究设计了基于最优传输思想的生成路径，并构建双分支神经网络学习反应物到过渡态的连续演化过程。 结果 TS-DFM总体框架 当前最先进的过渡态预测模型大多在笛卡尔坐标空间中进行扩散或流匹配生成，但连续生成过程中容易经过不合理结构区域，且难以直接刻画化学键变化过程。 研究进一步分析发现，TS-DFM尤其擅长预测化学键断裂与形成区域的距离变化。在决定反应机理的关键键变化区域，其预测误差明显低于其它模型，表明距离几何表示更符合化学反应本质。 图2: TS-DFM与现有方法的过渡态预测性能比较。 加速过渡态搜索优化 虽然TS-DFM生成的结构已接近真实过渡态，但仍可作为量子化学优化的优质初始结构。 研究认为，距离几何空间中的建模方式更容易学习化学键演化规律，因此具有更强的迁移能力和泛化能力。 图4: TS-DFM在RGD1数据集上的泛化能力评估。
27810编辑于 2026-06-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号