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

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

本文提出了一种半监督变分自编码器模型，能够同时进行属性预测和分子生成，从而高效生成具有所需属性的新分子。我们从估计好的生成分布中进行采样以生成新的分子，并在药物样分子上证明了该模型的有效性、改进了属性预测的性能，并高效生成满足各种目标条件的新型分子。

Apr, 2018

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

利用基于深度学习的分子生成加速药物候选物的发现的思想引起了极大关注，并开发了许多用于自动药物设计的深度生成模型，称为分子生成。其中，优化主导在实际药物设计中起着重要作用，我们对传统的计算机辅助药物设计方法进行了系统评述，将这些策略组织成了四个主要子任务，每个任务都有明确的输入和输出。此评述还探讨了基本概念、目标、传统 CADD 技术和 AIDD 的最新进展。此外，我们提出了一种基于受限子图生成的统一视角，以协调 de novo 设计和主导优化的方法。通过这种视角，de novo 设计可以融入主导优化的策略，以解决生成难以合成的分子的挑战；反之，主导优化可通过将其作为在特定次结构上生成分子的任务来受益于 de novo 设计的创新。

Apr, 2024

本研究提出了一种基于增强学习框架的新型前向合成模型 (PGFS)，可以解决化学分子结构的可合成性和合成路线问题，该模型可以为机器学习的药物设计提供一个有挑战性的基础测试平台。

Apr, 2020

通过引入 MolRL-MGPT 这一具备多个 GPT 代理的强化学习算法，我们提出了一种全新的药物分子生成方式，以促进分子多样性并在设计 SARS-CoV-2 蛋白靶向抑制剂方面展现出良好的成效。

Dec, 2023

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

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。

Jan, 2017

该研究提出了基于支架的分子生成模型，应用于药物发现中，能够生成具有良好药理特性的药品候选物，并通过分子对接结果验证了该方法的可行性和准确性。

Aug, 2019