基于Mamba状态空间模型的分子基态构象预测

《Communications Chemistry》：Molecular ground-state conformation prediction based on the Mamba state space model

　　

摘要

深入理解分子结构对于预测包含性质信息的分子基态构象至关重要。近年来，状态空间模型（如Mamba）作为一种强大的序列建模范式出现，并在语言和视觉任务中取得了显著成果。然而，在分子基态构象预测方面，利用Mamba来理解分子结构的研究还相对较少。为此，我们致力于设计一个通用且高效的框架，借助Mamba捕捉关键要素。通常，分子结构可视为由三种元素组成，即原子类型、原子位置以及原子间的连接关系。基于这三种元素，我们提出了一种基于Mamba的多视角结构理解方法（MPSU-Mamba），用以确定分子基态构象。特别是对于复杂多样的分子，该方法采用了三种不同的扫描策略来构建对其结构的全面认知。同时，我们还设计了最大激活门控机制，用于筛选与构象相关的关键原子信息。在QM9和Molecule3D数据集上的实验结果表明，MPSU-Mamba的性能明显优于现有方法。此外，即使在训练样本较少的情况下，MPSU-Mamba依然能保持优异性能，这充分证明了该方法在理解分子结构方面的有效性。