MolecularRNN：生成具有优化性质的逼真分子图

May, 2019

MolecularRNN：生成具有优化性质的逼真分子图

MolecularRNN: Generating realistic molecular graphs with optimized properties

Mariya Popova, Mykhailo Shvets, Junier Oliva, Olexandr Isayev

TL;DR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。

Abstract

Designing new molecules with a set of predefined properties is a core problem in modern drug discovery and development. There is a growing need for de-novo design methods that would address this problem. We present mole

molecularrnn drug discovery de-novo design pretrained models reinforcement learning

发现论文，激发创造

循环神经网络（RNNs）生成分子

通过使用递归神经网络和现有的编码分子，研究了在分子库领域生成 “可合成分子” 的方法，以用于计算机辅助药物发现。

May, 2017

基于 Transformer 的强化学习的分子全新设计

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

使用 GNN 特性预测器作为分子生成器

利用可逆神经网络直接生成具有期望电子性质的分子结构，该方法不需要对分子结构进行额外训练，通过严格的图构建规则确保化合价规则，将该方法应用于生成具有特定能隙和分配系数（logP）的分子，并在生成更多样化分子的同时，以与最先进的生成模型相媲美甚至更好的速率实现目标性质。

Jun, 2024

利用循环神经网络生成药物发现的专注分子库

本文研究了基于计算机算法的 de novo 药物设计，利用循环神经网络训练生成分子结构，生成分子的性质与原用来训练模型分子的性质很相似。同时，提出使用小型分子集与模型来微调生成分子的活性，可以生成大量的新分子用在药物研发中。

Jan, 2017

分子属性预测和药物发现的高级图形和序列神经网络

我们开发了一套深度学习方法和综合工具，针对分子属性预测和药物发现，跨越不同的计算模型、分子表示和损失函数。我们将分子表示为图和序列，并围绕这些表示所构建的深度模型进行学习。为了有效地从高度不平衡的数据集中学习，开发了优化精度 - 召回曲线下面积的先进损失函数。在在线和离线抗生素发现和分子属性预测任务中的结果表明，我们的方法相对于之前的方法实现了持续的改进，并在与 COVID-19 相关的 AI Cures Open Challenge 中以 ROC-AUC 和 PRC-AUC 方面均排名第一。

Dec, 2020

基于条件图生成模型的多目标新药设计

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

多性质优化的分子生成对抗网络

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

具有邻域控制语法的强化分子优化

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

基於深度生成模型的條件分子設計

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

条件生成神经网络逆向设计三维分子结构

本篇论文提出了一种基于条件生成神经网络的三维分子结构的设计方法，该方法不依赖于化学键，并能针对特定分布生成新颖分子，同时能够逆向设计并发现稳定的分子，在多种电子性质方面提高了生成效能。

Sep, 2021