使用可变自编码器学习分子的三维结构，实现对分子结构的建模，生成具有结构和组成合法性的分子结构
Oct, 2020
利用 Mol-CycleGAN，可以生成在结构上类似于原有分子的优化化合物，该模型在抗药物分子的罚函数 logP 优化中表现良好。
Feb, 2019
本研究提出 ALMGIG—— 一个基于对抗学习的无似然方法，用于分子的生成，并成功地使用 Wasserstein 距离对分子的物理化学特性进行相似性计算。
May, 2019
本文提出了一种数据效率的生成模型，其核心是可学习的图形语法，能够从比常规基准小几个数量级的数据集中学习，生成高质量的分子。
Mar, 2022
通过引入一种基于演员 - 评论家强化学习的生成对抗网络 (GAN) ，称为 InstGAN，将独特的即时和全球奖励的方法用于在分子级别上进行多属性优化，以解决生成对抗网络和强化学习模型的训练不稳定和高计算成本的挑战，实验证明 InstGAN 在生成具有多属性优化的分子方面优于其他基线模型，并且性能可与最先进的模型相媲美，同时高效地生成分子。
Mar, 2024
通过采用 Fragment-Based Drug Design 范例生成小分子结构语言模型并进行分子生成，大幅提高了分子的有效性和独特性，达到了基于图像的模型的最佳表现。
Feb, 2020
该研究提出了一种基于 MolNet 的图神经网络（GNN）模型来获取三维分子的物理化学特性及其非化学键信息，同时该模型在 BACE 和 ESOL 数据集的分类和回归任务上皆表现出良好的性能。
Feb, 2022
本研究提出了一个新的基于顺序图生成器的分子设计框架，该方法比现有的图生成模型更适用于分子生成，并已扩大应用范围。使用条件图生成模型解决了多个药物设计问题，并取得了高效率的结果。
Jan, 2018
该研究介绍了一种使用语言模型和生成对抗网络相结合的方法，通过优化可微模型，直接生成图形，以此解决了在可能的图形离散和广泛的空间中进行昂贵的搜索过程的问题。该方法得分为 0.36 和 0.48，与 ChatGPT 一样表现良好，具有所需的特性增益。
Jun, 2023
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。