该研究论文的主要研究方向包括优化、机器学习、化学等领域，研究了应用基于神经网络的强化学习算法的遗传算法来产生高效的有机物质，同时提出一种提高遗传算法可解释性的方法来获得设计原则。

Sep, 2019

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

该研究介绍了多个新的生成对抗网络模型，基于参数化量子电路与已知的生成对抗网络相结合，利用强化学习原理构建了一个新的多参数奖励函数。实验结果表明，这些模型在基准药物设计数据集 QM9 和 PC9 上表现优于以前的模型，尤其是在药物类似性定量估计方面提高了最多 30%。这些新的混合量子机器学习算法以及实现的药代动力学性质分数有助于快速准确的药物发现过程的发展。

Dec, 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

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

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

人工智能在药物研发的各个阶段中得到了越来越多的应用。我们提出了一个新的数据挑战，即数据集常常相互独立收集，缺乏重叠部分，导致数据稀疏。为解决这一挑战，我们提出了一种新颖的扩散图神经网络模型 Syngand，可以全面生成配体和药物动力学数据。利用我们的 Syngand 模型，我们展示了一种用于现有配体采样药物动力学数据的方法学。我们在 AqSolDB、LD50 和 hERG central 等下游回归任务上展示了 Syngand 生成的合成靶标属性数据的初步有效结果。使用我们提出的模型和方法，研究人员可以轻松生成合成配体数据，以帮助他们探索涉及跨多个数据集的研究问题。

May, 2024

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

本篇论文提出了一种基于条件生成神经网络的三维分子结构的设计方法，该方法不依赖于化学键，并能针对特定分布生成新颖分子，同时能够逆向设计并发现稳定的分子，在多种电子性质方面提高了生成效能。

Sep, 2021

新型深度学习算法在提高新药发现效率方面表现出色，但其缺乏可合成性的信息，导致其合成难度大幅上升，需要新算法的开发来加以解决。

Feb, 2020