深度学习在分子设计中的应用 - 现状综述
利用基于深度学习的分子生成加速药物候选物的发现的思想引起了极大关注,并开发了许多用于自动药物设计的深度生成模型,称为分子生成。其中,优化主导在实际药物设计中起着重要作用,我们对传统的计算机辅助药物设计方法进行了系统评述,将这些策略组织成了四个主要子任务,每个任务都有明确的输入和输出。此评述还探讨了基本概念、目标、传统 CADD 技术和 AIDD 的最新进展。此外,我们提出了一种基于受限子图生成的统一视角,以协调 de novo 设计和主导优化的方法。通过这种视角,de novo 设计可以融入主导优化的策略,以解决生成难以合成的分子的挑战;反之,主导优化可通过将其作为在特定次结构上生成分子的任务来受益于 de novo 设计的创新。
Apr, 2024
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
本文提出了一种基于强化学习框架的分层代理方法,能够在三维空间中逐步放置分子亚结构,从而高效地学习如何建造具有不同分布的分子,包括药物样分子、有机发光二极管分子和生物分子,只利用能量考虑即可。
Feb, 2022
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
我们介绍了一种用于分子全新设计的 Transformer 基准生成模型的微调方法,利用 Transformer 相比循环神经网络 (RNNs) 的优越序列学习能力,我们的模型可以有效地生成具有期望属性的分子结构。与传统的基于 RNN 的模型相比,我们提出的方法在生成被预测为对多种生物目标活性化合物方面表现出优秀性能,捕捉分子结构序列中的长期依赖关系。通过生成查询结构的类似物和产生具有特定属性的化合物等多项任务的验证,我们的方法在性能上优于基准的基于 RNN 的方法。我们的方法可用于脱轴融合 (scaffold hopping),从单个分子开始的库扩展,以及生成对生物目标具有高预测活性的化合物。
Oct, 2023
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
提出了一种可视化框架,用于可视化深度图形生成模型的编码和解码过程中生成的分子,并提供实时分子优化功能,这完善了黑盒子人工智能驱动的药物发现模型的可解释性。
Jul, 2020
综述了机器学习和图学习在分子设计和药物发现中的应用,提出将这些方法分成三类,并总结了常用的评估指标和公共数据集。最后,从药品视角探讨了未来研究的挑战和方向。
Feb, 2022