Diffusion-based Generative AI for Exploring Transition States from 2D Molecular Graphs

要約

タイトル：２次元分子グラフからの遷移状態探索のための拡散ベースの生成AI

要約：
– 化学反応のメカニズム解明や運動学モデリングには、遷移状態（TS）ジオメトリの探索が重要である。
– 最近の機械学習（ML）モデルは、TSジオメトリの予測に優れた性能を示しているが、反応物と生成物の3次元構造が必要であり、大量の計算コストを要する。
– TSDiffは、2D分子グラフからTSジオメトリを予測する拡散法に基づく生成アプローチであり、既存の3Dモデルよりも精度と効率の面で優れている。
– さらに、TSDiffはトレーニングに使用された様々な反応におけるTSジオメトリの分布を学習しており、さまざまなTS構造のサンプリングが可能である。
– これにより、TSDiffは、参照データベースよりも低いバリア高さを持つより望ましい反応経路を見つけることができる。
– これらの結果から、TSDiffは効率的で信頼性の高いTS探索に有望な可能性を示している。

要約(オリジナル)

The exploration of transition state (TS) geometries is crucial for elucidating chemical reaction mechanisms and modeling their kinetics. Recently, machine learning (ML) models have shown remarkable performance for prediction of TS geometries. However, they require 3D conformations of reactants and products often with their appropriate orientations as input, which demands substantial efforts and computational cost. Here, we propose a generative approach based on the stochastic diffusion method, namely TSDiff, for prediction of TS geometries just from 2D molecular graphs. TSDiff outperformed the existing ML models with 3D geometries in terms of both accuracy and efficiency. Moreover, it enables to sample various TS conformations, because it learned the distribution of TS geometries for diverse reactions in training. Thus, TSDiff was able to find more favorable reaction pathways with lower barrier heights than those in the reference database. These results demonstrate that TSDiff shows promising potential for an efficient and reliable TS exploration.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI