Fast end-to-end learning on protein surface

本篇文章是洛桑联邦理工与帝国理工课题组对原先模型的升级版,发表于CVPR2021。本项工作的主要highlights是在保持精度不变的情况下大幅降低了时间复杂度和空间复杂度。test

整体工作流程

降低时间复杂度和空间复杂度的方法

降低复杂度的核心内容是取消使用复杂的预计算特征(如前一版中使用的mesh,化学特征等),改用端到端的方法学习得到相应的一些中间特征,输入数据仅包括原子坐标与原子种类。而先前mesh的解决办法是使用算法进行曲面构造(类似于插值的方法)。

Author: YihangBao
Link: https://roarboil.github.io/2021/12/22/dmasif/
Copyright Notice: All articles in this blog are licensed under CC BY-NC-SA 4.0 unless stating additionally.