基於深度生成模型的條件分子設計
提出了一种基于条件变分自编码器的分子生成模型，可以控制多个分子属性，生成具有五个目标属性的类药物分子，可以单独调整一个属性，将其操作超出数据集范围。
Jun, 2018
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
本文探讨如何使用深度学习方法 - 自动编码器，进行新型药物分子结构的设计，并通过搜索自动生成的 latent space, 生成预测活性的新化合物，并识别与训练集不同但具有相似效应的活性化合物。
Nov, 2017
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
本文提出了一种自我训练的迭代方法，该方法利用简单的属性预测模型来过滤候选结构，提高生成模型的预测效果，并在无条件和条件下的分子设计中均获得了显著的性能优势。
Feb, 2020
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
本文提出了一种生成模型，基于能量模型（EBM）和分子生成模型、性质回归模型生成具有期望化学和生物性质的体小分子，并引入了逐步分布转移采样算法（SGDS），从而在训练的分子数据和性质的基础上，逐步将模型分布转移到具有期望性质的分子区域，取得了很好的实验效果。
Jun, 2023
研究表明 Generative AI 方法在药物研发领域有广泛应用，本论文开发了一种基于变分自编码器和主动学习步骤工作流程的 GM 方法，可以从分子指标学习，生成与特定靶点高度亲和的化学有效分子和新的不同于目标已知结构的分子，并开启了针对特定目标探索新化学领域的可能性。
May, 2023