材料发现中，性质预测起着重要作用。我们引入了一种称为 MHG-GNN 的新型自编码器，它将图神经网络（GNN）与分子超图文法（MHG）相结合。各种不同材料的性质预测任务结果表明 MHG-GNN 具有很大的潜力。
Sep, 2023
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
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
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
本文提出了一种新的分子生成方法，使用单调正则化的图变分自编码器实现了可解释性和可控性的深度生成模型，并通过多项式函数来与目标分子属性之间的关系进行学习和优化，实现了对毒性、clogP 等目标分子属性的可解释性和可控性的生成。经过充分的实验评估，证明了该框架在准确性、新颖性以及对目标分子属性的可解释性和可控性方面的卓越性。
Feb, 2022
该研究提出了一个新的分子优化方法，通过一种基于图卷积策略网络的强化学习算法和语法来有效地生成分子结构并优化其性质，其在大量分子优化任务中达到了最先进的性能。
Nov, 2020
通过强化学习解码潜在嵌入中的分子图的图与图变分自编码器 RL-VAE, 基于简单的图生成器实现了对分子图的高效解码和生成。
Apr, 2019
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。
本文提出了 RGCVAE 方法，使用关系图同构网络进行编码，使用新的概率解码组件进行解码，即可在训练时间显著减少的情况下，展现出与几种最先进的熵编码自编码器相媲美的分子生成性能。
May, 2023
本文采用图表征相似的分子并通过图表征将其转换为拥有更好性质的分子，采用基于树的模型以支持多样性的输出，并用低维潜在向量扭曲转换过程以实现多样性，并且用对抗训练方法以对齐分子的分布。实验表明，该模型优于目前最先进的基准。
Dec, 2018