提升分子表示：潜在欧氏空间中的分子图生成

基于摘要分析。本文研究分子图生成，提出 Synthetic Coordinate Embedding（SyCo）框架：通过合成构象坐标将分子图映射为欧氏点云，再利用 E(n)-Equivariant Graph Neural Network（EGNN）学习逆映射，使已有三维分子生成模型可用于分子图生成。 核心机制是构造具有点云结构的潜在空间，将图生成拆解为点云生成以及后续的节点、边分类，而不依赖分子片段或自回归解码。作者还提出面向三维扩散模型的相似性约束优化方案，结合 inpainting 与 guidance，并基于 E(3) Equivariant Diffusion Model（EDM）实现 EDM-SyCo。摘要未提供合成构象坐标的具体构造、逆映射训练目标及约束优化细节。 作者报告，在分子图分布学习评估中，EDM-SyCo 相比其所称的最佳非自回归方法，在 ZINC250K 上提升超过 30%，在大规模 GuacaMol 数据集上提升 16%；条件生成提升最高达 3.9 倍。摘要未说明这些提升对应的具体指标、计算方式、条件任务及完整对照配置，因此不能将其解释为准确率或百分点变化，也不能据此比较不同评估协议。作者关于最先进性能的结论仍需正文验证。 复现需核对坐标构造与图重建流程、训练和采样设置、数据划分、分子有效性及分布评估指标、相似性约束定义与基线配置；实验协议、消融及统计信息尚未验证。本文的研究对象是分子图而非 EEG 或 BCI，现有材料不足以建立具体迁移机制，不据此推断神经信号任务上的收益。