Jan, 2017

利用循环神经网络生成药物发现的专注分子库

PDF
TL;DR本文研究了基于计算机算法的 de novo 药物设计，利用循环神经网络训练生成分子结构，生成分子的性质与原用来训练模型分子的性质很相似。同时，提出使用小型分子集与模型来微调生成分子的活性，可以生成大量的新分子用在药物研发中。
发现论文，激发创造
  • 循环神经网络（RNNs）生成分子

    通过使用递归神经网络和现有的编码分子，研究了在分子库领域生成 “可合成分子” 的方法，以用于计算机辅助药物发现。

    May, 2017

  • 深度强化学习用于 De-Novo 药物设计

    该论文提出了一种新的计算策略，名为 ReLeaSE（增强学习结构进化），通过深度学习和强化学习的方法，利用生成模型和预测模型生成具有预设属性的新型化合物库，此方法可用于生成具有单一或多个属性的有针对性的化合物库。

    Nov, 2017

  • NovoMol: 口服可生物利用药物设计及在 PDGFRα 受体上的验证

    提出了一种使用循环神经网络的新型去 novo 方法，用于大规模生成具有高口服生物利用度的药物分子，从而提高临床试验时间效率。

    Dec, 2023

  • 基于 Transformer 的强化学习的分子全新设计

    我们介绍了一种用于分子全新设计的 Transformer 基准生成模型的微调方法，利用 Transformer 相比循环神经网络 (RNNs) 的优越序列学习能力，我们的模型可以有效地生成具有期望属性的分子结构。与传统的基于 RNN 的模型相比，我们提出的方法在生成被预测为对多种生物目标活性化合物方面表现出优秀性能，捕捉分子结构序列中的长期依赖关系。通过生成查询结构的类似物和产生具有特定属性的化合物等多项任务的验证，我们的方法在性能上优于基准的基于 RNN 的方法。我们的方法可用于脱轴融合 (scaffold hopping)，从单个分子开始的库扩展，以及生成对生物目标具有高预测活性的化合物。

    Oct, 2023

  • 深度强化学习的分子全新设计

    本文介绍了一种基于序列的生成模型来设计分子的方法，通过增强情节似然性可以学习生成具有某些指定的理想特性的结构。将模型应用于生成类似物质结构，生成与药物 Celecoxib 类似的分子以及具有活性的化合物。最后，将模型调整为生成预测对多巴胺受体 2 具有活性的化合物，得到了 95% 以上的预测为活性的结构，其中包括实验证实的活性化合物。

    Apr, 2017

  • MolecularRNN：生成具有优化性质的逼真分子图

    设计新分子用于解决现代药物发现和研发中的核心问题，MolecularRNN 是一种图形循环生成模型，通过对大量分子进行似然训练，生成出多样化的现实分子图。使用增强学习策略梯度算法，提供评估感兴趣属性奖励的评论家，证明与现有的方法相比，在疏水性、药物，熔点等属性上表现得更好。

    May, 2019

  • 支架限制分子生成

    本文简介使用基于神经网络的生成模型，引入了一种新算法，进行有支架限制的分子设计，在不同任务下展示了该方法的能力，如从 SureChEMBL 化学系列中提取支架设计新分子等。

    Sep, 2020

  • 通过强化学习进行基于蛋白质靶点特异性支架抑制剂的设计

    本文提出了一种新颖的框架，名为 3D-MolGNN$_{RL}$，结合了强化学习和基于 3D 骨架的深层生成模型，在优化多个特征的同时，通过并行图神经网络模型自动构建具有特定蛋白质活性的靶向分子，以使药物研发中的分子设计更快更高效。

    May, 2022

  • 深度学习在分子设计中的应用 - 现状综述

    文献的主要内容是深度生成建模技术被应用于分子生成和优化，包括使用递归神经网络、自动编码器、生成对抗网络和强化学习等四种技术，并探讨了这些技术的数学基础和优缺点，内容涉及到分子表示和设计中的多个方面。

    Mar, 2019

  • 基于深度生成模型的条件受体结合位点三维分子生成

    本文提出了一种新的基于深度学习的方法来生成可预测结合蛋白质的三维分子结构，对生成的分子进行了性质评估，并探索了生成模型的潜在空间，为利用深度学习从蛋白结构预测稳定的生物活性分子开启了新的可能性。

    Oct, 2021