- 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
█ 本文译自 Wolfram|Alpha 化学组开发人员 Jason.Biggs 在 Wolfram 社区发表的文章：Interactively query bond information 最近在S
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
Lewis结构是简单而且经典的概念，但有些结构不能仅被一个Lewis结构有效描述。此时可以画出多个Lewis结构式，表明实际分子是这些Lewis结构的杂合体。描述同一个实际分子的Lewis结构称为共振结构，这种用多个共振结构描述同一个分子的行为称为共振。在我们学习有机化学的过程中，曾经遇到的一个例子就是吡咯的共振结构。
4.3K30发布于 2021-04-07 - 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
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 8 图8生动地展示了AI系统是如何“解构”这两种药物分子的： 对于Sonidegib（图8A），系统就像在玩乐高积木一样，准确地找到了将大分子拆分成更小部件的方法。 当化学家们按照AI的建议进行实际合成实验时（图8B），发现了一个有趣的问题：某些分子片段（“6”）会自己与自己反应，这就像有些乐高积木会不小心自己粘在一起。 科学家们巧妙地解决了这个问题：他们先将这些“自我粘连”的片段做了一点改装（变为“8”），等完成需要的反应后，再将它们变回原来的样子。 对于Acotiamide（图8C和D），系统同样展示出了出色的预测能力。它成功预测出了将大分子（“10”）分解成更小片段（“11”到“14”）的路径。
42200编辑于 2025-04-19 - 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
2022年8月12日，东京大学Ryuichiro Ishitani研究团队在Journal of Chemical Information and Modeling期刊上发表论文《Molecular Design 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] 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。
58530编辑于 2022-11-16 - 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。
67240编辑于 2022-03-04 - 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 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。 该框架利用SMILES枚举技术扩充数据，经字节对编码和零填充后，输入含2层和8个注意力头的Transformer编码器，采用NT-Xent损失函数进行对比学习。 8. 研究人员选择Llama 3.1家族的8B和70B模型，通过上下文学习和基于LoRA的微调方法，在酶委员会编号预测、正向合成和逆合成三个任务上进行实验。
63610编辑于 2026-01-08NeurIPS 2025 | UAE-3D：统一潜空间破解3D分子生成的效率困境
3D分子生成需要同时处理原子类型、化学键和三维坐标等多模态信息，但现有方法将等变和不变模态分别编码到独立的潜空间，导致模型复杂、效率低下。 这种设计确保了：化学键信息不会在编码过程中丢失，解码时能准确重建分子的键连接。 相比之下，之前的工作往往在重构时丢失部分化学键信息或产生较大的坐标偏差。 3.3 效率飞跃：训练和采样的双重加速 训练时间与采样速度对比柱状图 训练效率： UAE-3D：52小时（8×A100 GPU） GeoLDM：449小时 加速：5.3倍 采样速度： UAE-3D：0.081 4.2 信息协同：模态之间的对话 在统一潜空间中，原子类型、化学键和坐标的信息是交织在一起的。编码器在处理一个原子时，可以同时"看到"它的类型、周围的键和空间位置。
33010编辑于 2026-01-22- 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。
50510编辑于 2025-09-02 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
针对这些问题，团队在靶标结构感知的基础上进一步引入化学键约束和蛋白-配体亲和力引导，开发了Diffleop模型（图3），使分子生成同时面向“结合得更强”与“结构更合理”两个目标。 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。 与此同时，团队构建了 E(3) 等变亲和力预测网络，在每一步采样中计算亲和力相对于原子坐标、原子类型和化学键类型的梯度，并利用该梯度引导分子生成朝着亲和力提升的方向进行。 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。 研究团队随后跟四川大学李国菠教授湿实验团队合作，将Diffleop用于帕金森治疗谷氨酰环化酶sQC抑制剂的优化，成功获得3个活性显著提升的候选化合物，其中最优候选物A1的 sQC 抑制活性（IC50 = 8
16121编辑于 2026-07-14- 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
针对这些问题，团队在靶标结构感知的基础上进一步引入化学键约束和蛋白-配体亲和力引导，开发了Diffleop模型（图3），使分子生成同时面向“结合得更强”与“结构更合理”两个目标。 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。 与此同时，团队构建了 E(3) 等变亲和力预测网络，在每一步采样中计算亲和力相对于原子坐标、原子类型和化学键类型的梯度，并利用该梯度引导分子生成朝着亲和力提升的方向进行。 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。 研究团队随后跟四川大学李国菠教授湿实验团队合作，将Diffleop用于帕金森治疗谷氨酰环化酶sQC抑制剂的优化，成功获得3个活性显著提升的候选化合物，其中最优候选物A1的 sQC 抑制活性（IC50 = 8
19020编辑于 2026-07-14 分析梳理--分子动力学模拟的常规步骤四（Gromacs）
编号名称物理含义备注1Bond键长伸缩能原子间化学键被拉伸或压缩产生的能量。2Angle键角弯折能 三个原子形成的化学键角度变化产生的能量。 3Proper-Dih.正常二面角能沿化学键旋转四个原子时，由特定二面角产生的能量。4Ryckaert-Bell.RB二面角能一种特殊的二面角函数形式，常用于烷烃链。 5LJ-141-4相互作用LJ能相隔三个化学键的原子对之间，范德华作用能量。6Coulomb-141-4相互作用静电能相隔三个化学键的原子对之间，静电作用能量。 8Coulomb-(SR)短程静电能在截断距离内的所有非键原子对的静电能量总和。9Coul.-recip.倒易空间静电能使用PME方法计算的长程静电贡献部分。 第7项 LJ-(SR) 和 第8项 Coulomb-(SR)它们的值也应该下降并收敛。如果它们下降得非常缓慢或出现突变，可能说明范德华或静电相互作用存在严重冲突。
46720编辑于 2026-04-21- 来自专栏DrugOne
NeurIPS-21 | MGSSL: 基于官能团的分子属性预测图网络自监督预训练
在原子层级，MGSSL使用了遮掩并预测原子/化学键种类的方法学习到原子层级的信息。 然而通过BRICS划分得到的官能团词典较为冗余，我们还定义了两个规则去除冗余的官能团，最终构建 motif tree：（1）当一个化学键连接的两个原子，一个在环上，一个不在环上时，断开化学键；（2）当不在环上的原子有三个或者三个以上邻居时 ，断开与邻居间的化学键，并且选取所述不在环上的原子作为新的官能团。 下游分子属性预测数据集使用的是MoleculeNet中8个双分类数据集。实验中数据集划分使用的是scaffold-split。 下游分子属性预测实验结果如表1所示，MGSSL 在MoleculeNet 8个数据集中的7个得到了最好的表现，验证了基于分子官能团的自监督预训练的有效性。
1.2K20编辑于 2021-12-09 - 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 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 Science4AI？| 当长链推理遇上分子结构，字节跳动从零合成 CoT 思维链
这个思想分子的稳定性并非凭空而来，而是由三种不同类型的化学键共同维系的。 三种化学键形成稳定长思维链分子结构的假设示意图 这三种逻辑上的化学键分别是： 深度推理（Deep Reasoning）—— 共价键。 实验首先验证了这种由化学键定义的推理结构是否真实存在且具有普适性。 下表显示，使用 MOLE-SYN 从零合成的数据进行训练的 LLaMA-3.1-8B 模型，在多个推理基准测试上的性能几乎可以媲美使用来自强模型的昂贵蒸馏数据的训练效果。 例如，LLaMA-3.1-8B-Instruct + 20K QwQ-MOLE-SYN 在 GSM8K 上达到 84.31% ，在 MATH-500 上达到 50.20% ，与 + 20K QwQ-Distill-Data
69610编辑于 2026-01-22- 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。
88240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。
99620发布于 2020-02-25 - 来自专栏镁客网
南工大团队研制的可重复使用纸墨组合，刷新现有印刷模式的同时降低了成本 | 黑科技
这样的“墨水”可与配体配位（本质上以化学键形式结合在一起），我们可以根据需求使其形成所需要的彩色图像。 最后，按需要生成的彩色图像可以保留6个月以上，期间想要擦除它，我们只需要使用四丁基氟化铵（TBAF）破坏“图像”中已经形成的化学键即可。 值得指出的是，上述的纸张最多只能复写8次，之后颜色便会消退。对此，研究人员却很乐观：“这种损失成本策略恰好利于催生具有商业可行性的复写纸。”
64660发布于 2018-05-29 - 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
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