概要
Equivariant Diffusion Modelsは、論文 Equivariant Diffusion for Molecule Generation in 3D の公式コードリリースです。このリポジトリは、EDMと呼ばれるE(3)等変拡散モデルを実装し、分子生成モデルの学習と出力の検査に関する研究ワークフローを説明しています。ホスト型の分子設計サービスではなく、学習および評価スクリプトを含むモデル実装です。
文書化されたワークフローでは、QM9またはGEOM-Drugsデータを使って学習し、その後、保存済みのモデルディレクトリを別のスクリプトに渡してサンプル品質を分析し、分子を可視化します。GEOM-Drugsについては、READMEから追加のデータセット準備手順が案内されています。条件付きQM9生成では分子物性を選択でき、異なる物性値でのサンプリングに対応しています。条件として列挙されているのは alpha、gap、homo、lumo、mu、Cv です。READMEには、alpha用の事前学習済み生成器と物性分類器のパスも記載されています。
別の物性予測ワークフローでは、EGNN分類器またはノード数のみを使うベースラインを学習し、EDMが生成したサンプルで分類器を評価します。これらの手順は生成分子の調査に役立ちますが、出典の抜粋には性能結果の報告も、下流の実験用途への適合性を示す根拠もありません。リソース計画が重要です。著者は、全結合EGNNのメッセージパッシングはメモリを多く消費する可能性があり、とりわけGEOM-Drugsのワークフローで顕著だと警告しています。RDKitは任意と説明されていますが、抜粋からは完全で検証済みの環境設定が確認できません。
主な機能
- QM9とGEOM-DrugsでEDMを学習するための、個別に文書化されたワークフロー。
- 保存済みのモデルディレクトリを使って分子サンプルの品質を分析し、可視化する学習後スクリプト。
- `alpha`、`gap`、`homo`、`lumo`、`mu`、`Cv`による条件付きQM9生成。物性値を変えてのサンプリングにも対応。
- EGNNモデルまたはノード数のみを使うベースラインによる物性分類器の学習と、EDM生成サンプルでの評価。
- 事前学習済みの`alpha`条件付き生成器と、関連する事前学習済み物性分類器について文書に記載されたパス。
用途
- 評価案：QM9でEDMを学習し、文書化された分析および可視化ワークフローを使って生成された3D分子を調べる。
- 評価案：対応するQM9物性を選び、条件値によって生成サンプルがどのように変化するかを調べる。
- 評価案：文書化された分類器ワークフローで物性条件付きサンプルを評価し、ノード数のみを使うベースラインを調べる。
- 評価案：全結合EGNNのメッセージパッシングに必要なメモリを評価しながら、GEOM-Drugsによる生成を試す。
使い方
- 公式READMEから始め、QM9、GEOM-Drugs、条件付きQM9のいずれかのワークフローを選びます。1つの設定が3つすべてに適用できると仮定せず、用意されている例を使用してください。
- パッケージ設定ソースで宣言されている依存関係を確認します。READMEには任意のRDKit環境に関する説明がありますが、これらの抜粋から完全なインストール手順は確認できません。
- 選択したデータセットを準備します。GEOM-Drugsの場合は、リポジトリ内の
data/geom/README.mdを参照するREADMEの案内に従ってください。そのファイルの内容はここには提供されていません。 - 該当する学習例に従い、モデルの出力ディレクトリを保持します。GEOM-Drugsの実行を計画する際は、文書に記載されたメモリに関する警告を考慮してください。
- 保存済みのモデルディレクトリを使い、文書化された分析・サンプリングスクリプトを実行します。条件付き生成では、対応する物性を選択し、物性値を変えていく例に従ってください。
- 条件付けを評価する場合は、分類器の学習と生成サンプルの評価に関する例に従います。得られた測定値は独自の評価結果として扱い、この項目で実証済みの性能とみなさないでください。