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

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

本文介绍一种基因专家引导学习法（GEGL）的新框架，用于培训深度神经网络（DNN）生成高奖励分子，结果表明 GEGL 在优化中显著优于现有方法。

Jul, 2020

人工智能驱动的方法可以大大改善历史上昂贵的药物设计过程，各种生成模型已经广泛使用。特别是对于全新药物设计的生成模型，侧重于完全从零开始创建新的生物化合物，展示了一个有前途的未来方向。通过对该领域的迅速发展以及药物设计过程的固有复杂性，为新研究者进入创造了一个困难的环境。在这项调查中，我们将全新药物设计分类为两个主要主题：小分子和蛋白质生成。在每个主题中，我们确定了各种子任务和应用，突出重要的数据集、基准和模型架构，并比较了顶级模型的性能。我们采取广泛的方法进行人工智能驱动的药物设计，允许在每个子任务中对各种方法进行微观水平的比较，并跨不同领域进行宏观观察。我们讨论了这两个应用之间的并行挑战和方法，并强调了人工智能驱动的全新药物设计的未来方向。所有涵盖的资料的有组织存储库可以在此链接中找到：https://www.example.com

Feb, 2024

提出了一种使用循环神经网络的新型去 novo 方法，用于大规模生成具有高口服生物利用度的药物分子，从而提高临床试验时间效率。

Dec, 2023

在计算分子生成领域，基于片段的深度生成模型是发现新化学化合物的关键任务，具有领先的方法，在 2023 年一直在分子设计基准测试中获得最新成果。我们对这些模型的架构进行了详细的比较评估，重点介绍了它们在分子分割和生成建模方面的独特方法。本综述还包括了输出质量、生成速度以及特定模型的当前限制的比较，并突出了未来研究的有希望的方向，可以将基于片段的模型与实际应用相结合。

May, 2024

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

利用人工智能等方法进行蛋白质工程和全新设计的研究方案，如生成模型和扩散过程，能够生成展现出所需特性和功能的全新而真实的蛋白质，在优先测试设计方案方面仍然面临一些挑战，因此需要综合生物化学知识提高性能和可解释性。

Oct, 2023

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

通过 MolCode 的 roto-translation equivariant 模型，结合 2D 拓扑和 3D 几何信息，不仅可以成功设计出 99.95% 有效性和 98.75% 独特性的分子结构，同时还能帮助发现高亲和力的小分子靶向药物。

Apr, 2023