Jun, 2018

基于条件变分自编码器的分子生成模型，用于新型分子设计

PDF
TL;DR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。
molecular generative modelconditional variational autoencoderde novo molecular designdrug-like moleculeslatent space
发现论文，激发创造
  • 基於深度生成模型的條件分子設計

    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

  • 基于生成型自编码器的分子设计应用

    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

  • 3DMolNet：分子结构生成网络

    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

  • 使用去噪扩散概率模型对分子图进行变分自编码

    本文提出了一种新的分子深度生成模型，该模型在概率潜变量中加入分层结构，并能通过小数据集实现有效的分子潜在向量设计和物性预测。

    Jul, 2023

  • 约束图变分自编码器用于分子设计

    本文提出一种基于变分自编码的图结构模型，用于生成符合已有数据分布的化学分子结构，并通过实验数据分析表明该模型在分子生成任务上表现较好，同时使用合适的隐空间设计允许生成具备特定性质的分子。

    May, 2018

  • NeVAE：分子图形的深度生成模型

    本文提出了一种适用于分子结构的、特别设计了多项技术创新的变分自编码器，并发展了一个梯度优化算法用于优化其生成分子的能力，实验结果表明该模型比多种现有模型更能够有效地发现合理、多样且新颖的分子。

    Feb, 2018

  • 基于不确定性指导下的变分自编码器精细调优强化生成分子设计

    通过性能反馈在主动学习环境中，我们提出了一种预先训练的变分自动编码器 (VAE) 基因设计模型的模型不确定性引导微调的新方法，通过量化生成模型中的模型不确定性，扩展了有效分子的空间，并利用多样性解码器探索生成优化的多个高性能模型，实验结果表明，我们的不确定性引导微调方法在六个目标分子属性上始终优于原始预训练模型。

    May, 2024

  • 分子 - 基因进化驱动的人类水平分子优化

    通过 Deep Genetic Molecular Modification Algorithm (DGMM)，将结构修饰引入药物化学家的水平，该算法利用离散变分自动编码器 (D-VAE) 将分子编码为量化编码 mol-gene，将深度学习与遗传算法相结合，用于灵活结构优化，以发现药理学上相似但在结构上有所区别的化合物并揭示药物发现中结构优化的权衡。我们在几个应用中验证了 DGMM 的有效性。

    Jun, 2024

  • 分子图生成的联合树变分自编码器

    本文提出了一种基于 junction tree variational autoencoder 生成具有化学相关性的分子图的方法，能够在保持化学有效性的情况下，通过生成固定结构的分子骨架并使用图消息传递网络组合它们。研究人员在多个任务上进行了评估，并发现该方法明显优于之前的最先进基准。

    Feb, 2018

  • 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