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

本文提出了一种生成指定蛋白质结合位点分子的 3D 生成模型，可应用于结构基因设计任务，通过学习原子的概率密度分布并提出自回归采样策略，实现了生成有效和多样性分子的能力，在实验结果中表现出较高的亲和力和良好的药物特性。

Mar, 2022

在多目标优化问题中，通过使用多目标贝叶斯优化方法，可以减少多属性虚拟筛选的计算成本，并成功地在三个案例研究中展示了 Pareto 优化的优越性。此外，我们使用开发的优化工具搜索了包含四百万种分子的虚拟库，仅探索了该库的 8% 即获得了该库 Pareto 前沿的 100%。这一工作流程和相关开源软件可以减轻分子设计项目的筛选负担，并且与提高结合预测准确性和其他分子特性相关的研究是互补的。

Oct, 2023

本研究提出了一种基于神经网络和自动编码器的分子生成模型 LIMO，通过在潜空间内生成化合物，结合物性预测网络，实现了高效的反向优化生成高亲和力药物。实验结果表明，LIMO 在药物发现领域具有巨大潜力。

Jun, 2022

通过整合发布的经验结构基于对接和序列基于深度学习模型，我们开发了一个元建模框架，多个元模型在结合输入特征多样性的情况下，显著提高了结合亲和力预测的准确性，从而节省了找药物的时间和费用。

Oct, 2023

基于结构的药物设计通过利用三维靶点结构的先验知识生成高亲和力配体。本研究提出了 MolEdit3D 方法，将三维分子生成与优化框架相结合，通过使用片段开发了一种新的三维图形编辑模型来生成分子，并在丰富的三维配体上进行了预训练，然后采用目标引导的自学习策略来改进与目标相关的性质。MolEdit3D 在大多数评估指标上达到了最先进水平，并且展示了对目标相关和目标无关性质的强大能力。

Feb, 2024

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

该论文介绍了使用基于深度神经网络的机器学习方法来改进药物发现过程中分子属性预测的性能，包括设计出的 PotentialNet 结构和 EF$_{chi}^{(R)}$ 指标以及交叉验证策略等，并在多个基于配体的任务中验证了模型性能的创新性。

Mar, 2018

3D 生成模型在结构基药物设计中表现出显著的潜力，尤其在发现适应特定靶点结合位点的配体方面。TAGMol 是一个综合的药物生成框架，通过将问题分解为分子生成和特性预测，并通过引导扩散采样过程来实现生成具有所需特性的有意义的分子。在基准数据集上进行的实验证明，TAGMol 相对于现有先进算法具有优越性能，在平均 Vina 分数上提高了 22％，并在重要辅助属性方面取得了良好的结果。

Jun, 2024

本研究提出了一种新的混合量子 - 经典深度学习模型，用于药物发现中的结合亲和力预测，并通过在优化的量子架构中同时整合 3D 和空间图卷积神经网络，模拟结果显示与现有经典模型相比，预测准确度提高了 6％，收敛性能明显更稳定。

Sep, 2023