Uni-Mol系列方法官方仓库

欢迎来到Uni-Mol系列方法的官方仓库！

导航

文件夹	简介	描述
Uni-Mol	分子表示框架	Uni-Mol是一个通用的三维分子表示学习框架，专为各种下游任务设计。您可以在多种分子相关任务中使用Uni-Mol，包括分子性质预测、结合构象预测等。该框架于2022年发布，并在ICLR 2023上亮相（Zhou et al., 2022）。
Uni-Mol+	分子量子化学建模	Uni-Mol+旨在进行分子量子化学性质预测，在OGB-LSC和OC20两个知名基准测试中均位居第一。您可以将Uni-Mol+应用于与分子几何相关的任务，如构象生成与优化、量子性质预测等。该模型于2023年发布，并发表在Nature Communications上（Lu et al., 2023）。
Uni-Mol Tools	分子性质预测工具	Uni-Mol Tools是基于Uni-Mol的自动性质预测和表示的易用封装工具。您可以通过pip install unimol-tools进行安装。该工具于2023年发布（Gao et al., 2023）。
Uni-Mol Docking	蛋白质配体对接工具	Uni-Mol Docking在复合物结构预测方面达到了行业领先水平，性能可与AlphaFold3媲美。您可以使用Uni-Mol Docking对指定口袋的目标进行对接。该工具于2024年发布（E Alcaide et al., 2024）。
Uni-Mol2	可扩展分子预训练模型	Uni-Mol2是一个灵活且可扩展的分子预训练模型，参数量从8400万到11亿不等。这种可扩展性使用户能够根据不同的分子任务需求选择合适的模型规模。该模型于2024年发布（Ji et al., 2024）。

Uni-Mol：一个通用的三维分子表示学习框架

[论文], [Uni-Mol性质预测服务],[Uni-Mol Docking服务]

Uni-Mol框架示意图

Uni-Mol是一个通用的三维分子预训练框架，在药物设计领域显著扩展了表示能力和应用范围。该框架包含两个模型：一个使用2.09亿个分子三维构象进行预训练的分子预训练模型，以及一个使用300万个候选蛋白口袋数据进行预训练的口袋预训练模型。这两个模型可以独立用于不同任务，也可以组合用于蛋白质-配体结合任务。在15项分子性质预测任务中的14项中，Uni-Mol的表现优于当前最先进的方法（SOTA）。此外，Uni-Mol在蛋白质-配体结合构象预测和分子构象生成等三维空间任务中也表现出卓越的准确性。

更多详情请查看此子文件夹。

使用Uni-Mol+实现高精度的量子化学性质预测

Uni-Mol+框架示意图

Uni-Mol+是一种用于量子化学性质预测的模型。首先，给定一个二维分子图，Uni-Mol+会通过RDKit等低成本方法生成初始三维构象。然后，初始构象会被迭代优化至平衡态构象，再利用优化后的构象进一步预测量子化学性质。在PCQM4MV2和OC20基准测试中，Uni-Mol+以较大优势超越了之前的最先进方法。

更多详情请查看此子文件夹。

Uni-Mol工具：用于性质预测、表示及下游应用

Uni-Mol Tools是基于Uni-Mol的性质预测、表示及下游应用的易用封装工具。它包括以下功能：

• 使用Uni-Mol进行分子性质预测。
• 使用Uni-Mol进行分子表示。
• 其他基于Uni-Mol的下游应用。

更多详情请查看此子文件夹。

Uni-Mol Tools的文档可在https://unimol.readthedocs.io/en/latest/查阅。

Uni-Mol Docking V2：迈向真实且准确的结合构象预测

Uni-Mol Docking V2 Bohrium应用

我们已将Uni-Mol Docking升级为Uni-Mol Docking V2，其性能有了显著提升。在PoseBusters基准测试中，该模型能够以小于2.0 Å的RMSD值准确预测77%以上的配体结合构象，并且75%以上通过了所有质量检查。这一成绩较之前版本的62%有了大幅提升。值得注意的是，我们的Uni-Mol Docking方法能够生成化学上准确的预测结果，避免了以往机器学习模型中常见的手性反转和空间位阻冲突等问题。

更多详情请查看此子文件夹。

Uni-Mol Docking V2的服务可在https://bohrium.dp.tech/apps/unimoldockingv2访问。

Uni-Mol2：大规模分子预训练模型探索

我们提出了 Uni-Mol2，这是一种创新的分子预训练模型，它利用双轨Transformer架构，有效地整合原子级、图级以及几何结构级别的特征。同时，我们系统性地研究了分子预训练模型中的规模效应规律，揭示了验证损失与模型规模、数据集大小及计算资源之间的幂律相关性。基于此，我们在8亿个构象上进行预训练，成功将 Uni-Mol2 扩展至11亿参数，使其成为迄今为止最大的分子预训练模型。

更多详情请查看此 子文件夹。

新闻

2024年9月22日：Uni-Mol2 已被集成到 unimol_tools 中，方便用户使用 Uni-Mol2 的表征和微调模型。

2024年10月10日：我们发布了 Uni-Mol2 的代码、示例及预训练权重，模型规模从840万参数扩展到11亿参数。

2024年9月26日：Uni-Mol2 被 NeurIPS 2024 接收，我们的数据、代码和模型权重将很快公开。

2024年8月19日：Uni-Mol+ 被 Nature Communications 接收，参考文献：基于 Uni-Mol+ 利用三维构象进行数据驱动的量子化学性质预测。

2024年7月1日：我们发布了 Uni-Mol2 arXiv 报告，这是迄今为止最大的分子预训练模型，拥有11亿参数，并在8亿个构象上进行了预训练。

2024年5月20日：我们发布了 Uni-Mol Docking V2，包含数据、模型和权重。

2023年7月7日：我们更新了 Uni-Mol+ 的新版本，增加了针对 OC20 的模型设置，并提升了在 PCQM4MV2 数据集上的性能。

2023年6月9日：我们发布了用于性质预测、表征及下游任务的 Uni-Mol 工具。

2023年3月16日：我们发布了 Uni-Mol+，一款用于量子化学性质预测的模型。

2023年1月21日：Uni-Mol 被 ICLR 2023 接受。

2022年10月12日：提供了获取 Uni-Mol 分子表征的演示。

2022年9月20日：为 AIAC 2022 药物分子蛋白结合能力预测竞赛 提供了基于 Uni-Mol 的 IFD 打分函数基准。

2022年9月9日：在 Colab 上提供了 Uni-Mol 结合姿态预测（对接）的演示。

2022年9月8日：

• 发布了蛋白质-配体结合姿态预测的代码和数据。
• 发布了分子构象生成和蛋白质-配体结合姿态预测的微调模型权重。
• 更新了论文：chemrxiv 文章链接。

2022年8月17日：发布了预训练模型。

2022年7月10日：发布了预训练代码。

2022年6月10日：发布了 Uni-Mol 中使用的三维构象数据。

联系我们

1. Github issue（推荐）
您可以在 GitHub 上提交问题。

2. 微信
欢迎各位加入 Uni-Mol 用户 微信群。扫描下方二维码即可加入。

3. Slack
海外用户可扫描下方二维码加入 Uni-Mol 的 Slack 讨论频道。

4. 邮箱
如需与 Uni-Mol 开发团队深入交流，请发送邮件至 unimol@dp.tech。

引用

如果您使用了我们的数据、代码或模型，请务必引用我们的论文：

@inproceedings{
  zhou2023unimol,
  title={Uni-Mol: 一种通用的三维分子表征学习框架},
  author={周耿墨、高志峰、丁乾坤、郑航、徐洪腾、魏哲伟、张林峰、柯国林},
  booktitle={第十一届国际学习表征会议},
  year={2023},
  url={https://openreview.net/forum?id=6K2RM6wVqKu}
}
@article{lu2024data,
  title={基于 Uni-Mol+ 利用三维构象进行数据驱动的量子化学性质预测},
  author={卢淑琪、高志峰、何迪、张林峰、柯国林},
  journal={Nature Communications},
  volume={15},
  number={1},
  pages={7104},
  year={2024},
  publisher={自然出版集团英国伦敦}
}

许可

本项目采用 MIT 许可证授权。更多详情请参阅 LICENSE。

Uni-Mol 系列工具快速上手指南

Uni-Mol 是一个通用的 3D 分子表示学习框架系列，涵盖分子性质预测、量子化学属性计算、蛋白 - 配体对接及大规模预训练模型等任务。本指南将帮助您快速开始使用。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Linux (推荐 Ubuntu 18.04+) 或 macOS。Windows 用户建议使用 WSL2 或 Docker。
• Python 版本: Python 3.8 - 3.10。
• 硬件要求:
  • CPU: 用于数据预处理和小规模推理。
  • GPU: 推荐 NVIDIA GPU (显存 >= 8GB) 用于模型训练和大规模推理。需安装对应的 CUDA 驱动。
• 前置依赖:
  • PyTorch (建议版本 >= 1.10)
  • RDKit (用于分子处理)
  • numpy, pandas, scikit-learn

2. 安装步骤

根据您的需求，可以选择安装核心工具包或特定模块。

方案 A：安装通用工具包 (推荐新手)

unimol-tools 提供了最易用的封装，支持性质预测、特征提取及下游任务，并已开始支持最新的 Uni-Mol2 模型。

pip install unimol-tools

提示: 如果下载速度较慢，可使用国内镜像源加速：

pip install unimol-tools -i https://pypi.tuna.tsinghua.edu.cn/simple

方案 B：从源码安装 (高级用户/开发者)

如果您需要使用特定的子模块（如 Uni-Mol+, Uni-Mol Docking V2, Uni-Mol2 完整代码），建议克隆官方仓库。

git clone https://github.com/deepmodeling/Uni-Mol.git
cd Uni-Mol

# 安装基础依赖
pip install -r requirements.txt

# 根据需要进入对应子目录安装特定模块，例如：
# cd unimol_docking_v2 && pip install .

3. 基本使用

以下示例展示如何使用 unimol-tools 进行最简单的分子性质预测和特征提取。

示例 1：分子性质预测 (Property Prediction)

from unimol_tools import UniMolRepr, UniMolPredictor

# 1. 准备数据 (SMILES 列表)
smiles_list = ["CCO", "CN1C=NC2=C1C(=O)N(C(=O)N2C)C", "c1ccccc1"]

# 2. 初始化预测器 (自动下载预训练权重)
# task 可以是 'regression' (回归) 或 'classification' (分类)
predictor = UniMolPredictor(task_type='regression')

# 3. 进行预测
# 注意：实际使用时通常需要加载针对特定数据集微调过的模型权重
# 此处仅为演示调用流程
predictions = predictor.predict(smiles_list)

print("预测结果:", predictions)

示例 2：获取分子 3D 表示 (Molecular Representation)

from unimol_tools import UniMolRepr

# 1. 初始化表示提取器
repr_model = UniMolRepr()

# 2. 输入 SMILES 并获取向量表示
smiles = "CCO"  # 乙醇
molecule_repr = repr_model.get_mol_repr(smiles)

# molecule_repr 是一个包含原子级和分子级特征的字典
print("分子向量形状:", molecule_repr['atom_repr'].shape)
print("全局向量形状:", molecule_repr['mol_repr'].shape)

示例 3：使用 Uni-Mol2 (大规模预训练模型)

自 2024 年 9 月更新后，unimol-tools 已集成 Uni-Mol2。

from unimol_tools import UniMolRepr

# 指定使用 unimol2 模型架构
# 可根据需求选择不同参数量大小的模型 (需在配置中指定，默认可能为较小版本)
repr_model = UniMolRepr(model_name='unimol2') 

smiles_list = ["CCO", "c1ccccc1"]
representations = repr_model.get_batch_mol_repr(smiles_list)

print("Uni-Mol2 特征提取完成")

进阶：蛋白 - 配体对接 (Docking)

对于蛋白 - 配体对接任务，建议使用专门的 Uni-Mol Docking V2 模块或访问在线服务。

命令行使用示例 (需在源码目录 unimol_docking_v2 下):

python predict.py --receptor protein.pdb --ligand ligand.sdf --output result.sdf

在线服务: 如果不想本地部署复杂的对接环境，可直接访问 Bohrium Uni-Mol Docking V2 应用 进行交互式操作。

---

更多详细文档请访问: https://unimol.readthedocs.io/