原子电荷预测模型

精度提升超40%

一种基于等变图注意力网络的机器学习模型，通过多尺度全局注意力机制显著提升原子电荷预测精度与泛化能力。

Su, Qun · 王纪科 · 张惠 · 孙慧涌 · Zhang, Xujun · Linlong, Jiang · 康玉 · Liu, Huanxiang · 侯廷军

Journal of Chemical Information and Modeling 2025

参数信息

平均精度提升

40 %

外部RESP测试集精度提升

54.6 %

技术优势

精度大幅超越基线

通过多尺度全局注意力机制捕捉长程静电相互作用，平均预测精度较领先基线模型提升超过40%。

外部测试集泛化能力突出

在外部RESP测试集上，模型较基线提升54.6%，显示出强大的跨数据集泛化能力。

虚拟筛选中全面占优

在虚拟筛选场景下，模型在所有评估指标上均优于OPLS3电荷和基线深度学习模型，有望加速科学发现。

应用场景

• 人工智能加速药物发现：快速准确预测原子电荷，替代昂贵QM计算，加速候选分子筛选。
• 小分子药物设计：提供可靠电荷描述，用于小分子力场参数化和分子对接打分。
• 虚拟筛选：在虚拟筛选中优于OPLS3电荷，提升命中率和富集因子。