モデル

この ESM 項目は Meta FAIR の公式リポジトリを対象とし、ESM-2 のタンパク質表現と ESMFold の構造予測を含みます。

ProteinMPNN は与えられたタンパク質骨格からアミノ酸配列を設計し、全骨格および Cα のみを入力するモデルを提供します。

RFdiffusion はタンパク質骨格を生成する拡散モデルで、無条件生成、モチーフ制約、結合タンパク質の設計に対応します。

分子生成

OpenFold は AlphaFold 2 を PyTorch で実装した学習可能なソフトウェアで、タンパク質構造の推論と学習に利用できます。

Boltz は生体分子相互作用の予測モデル群です。Boltz-2 は複合体構造と結合親和性の予測手順を提供します。

創薬

SevenNet はグラフニューラルネットワークによる原子間ポテンシャルを提供し、学習済みモデル、微調整、ASE・LAMMPS 連携に対応します。

計算化学

MS2DeepScore は、Siamese ニューラルネットワークを用いてタンデム質量スペクトルのペアから分子構造類似度を予測し、スペクトル埋め込み、推論、カスタムモデルの学習に使うツールを提供します。

分光法

Spec2Vec は、MS/MS スペクトルの類似度スコアリングを行う Python パッケージです。質量フラグメントと中性脱離から学習した Word2Vec 埋め込みを用いて、クエリスペクトルと参照スペクトルを比較します。

分光法

DeePKS-kit は、量子化学のエネルギー汎関数の学習、post-HF モデルのテスト、および DeePHF と DeePKS のスキームによる自己無撞着計算を行うための Python ツールキットです。

量子化学

DeePTB は、深層学習による電子構造モデル向けの Python パッケージです。環境依存のタイトバインディングモデルと、等変なハミルトニアン、密度行列、重なり行列の表現を組み合わせています。

量子化学 · 材料探索

CGCNNは結晶グラフ畳み込みニューラルネットワークを実装し、結晶構造から材料特性を学習します。カスタムデータを用いたモデルの学習と、事前学習済みモデルによる予測に対応しています。

材料探索

CrabNet は、組成情報のみから材料特性を予測する注意機構ベースのモデルを実装し、基本的な使用方法とモデル解釈性に関するガイドも提供します。

材料探索

ALIGNN は、材料特性予測のための原子論的グラフニューラルネットワークを提供し、学習ワークフロー、事前学習済み予測器、および構造最適化向けの ALIGNN-FF 力場を備えています。

材料探索

M3GNetは、三体相互作用、事前学習済み原子間ポテンシャル、結晶構造緩和・分子動力学・モデル学習のワークフローを備えた、アーカイブ済みの材料グラフニューラルネットワーク実装です。

計算化学 · 材料探索

CHGNet は、結晶構造を対象とする、電荷情報を取り入れた事前学習済みニューラルネットワークポテンシャルです。エネルギー、力、応力、磁気モーメントを予測し、構造緩和や分子動力学のワークフローに利用できます。

計算化学 · 材料探索

MEGNet は非推奨となった TensorFlow グラフネットワーク実装であり、分子および結晶の物性に関する事前学習済みモデル、学習ユーティリティ、転移可能な元素埋め込みを備えています。

分子特性予測 · 材料探索

MODNetは、組成または結晶構造から材料特性を教師あり学習で予測するPythonフレームワークです。複数のターゲットを同時に学習でき、文書で説明された事前学習済みモデルを2つ提供しています。

材料探索

fairchem で事前学習済み UMA モデルと ASE 計算器を用い、表面緩和、エネルギー予測、分子動力学を行う触媒指向の原子論的モデリングワークフロー。

材料探索

REINVENTは、生成モデル、強化学習、転移学習を用いて、小分子の生成と最適化を構成可能なPython分子設計ツールキットです。

分子生成 · 創薬

RetroXpert は、まず生成物の結合切断を予測し、次に OpenNMT ベースのモデルを使ってシンソンから反応物を生成する、2 段階の逆合成研究用実装です。

逆合成