MolGAN 是一种基于图形结构数据的深度生成模型,旨在绕过化学结构的昂贵搜索程序,通过直接生成分子图来优化不同 iable 模型,结合强化学习目标,以鼓励特定化学属性的分子生产。
May, 2018
该研究提出了一种分子繁殖算法,可以帮助药物开发人员用于发现新的具有指定化学特性轮廓的化合物,提高了生成化合物的准确性、多样性和新颖性。
Feb, 2020
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 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
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。
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
该研究介绍了多个新的生成对抗网络模型,基于参数化量子电路与已知的生成对抗网络相结合,利用强化学习原理构建了一个新的多参数奖励函数。实验结果表明,这些模型在基准药物设计数据集 QM9 和 PC9 上表现优于以前的模型,尤其是在药物类似性定量估计方面提高了最多 30%。这些新的混合量子机器学习算法以及实现的药代动力学性质分数有助于快速准确的药物发现过程的发展。
Dec, 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。
May, 2019
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
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