基于支架的分子设计使用图生成模型
本文简介使用基于神经网络的生成模型,引入了一种新算法,进行有支架限制的分子设计,在不同任务下展示了该方法的能力,如从 SureChEMBL 化学系列中提取支架设计新分子等。
Sep, 2020
该研究提出了基于支架的分子生成模型,应用于药物发现中,能够生成具有良好药理特性的药品候选物,并通过分子对接结果验证了该方法的可行性和准确性。
Aug, 2019
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
本文提出了一种生成指定蛋白质结合位点分子的 3D 生成模型,可应用于结构基因设计任务,通过学习原子的概率密度分布并提出自回归采样策略,实现了生成有效和多样性分子的能力,在实验结果中表现出较高的亲和力和良好的药物特性。
Mar, 2022
本篇论文提出了一种新的分子生成模型,模拟了现实中的制备过程,可以通过选择初试反应物(从商业上可获得的分子池中选择),使用反应模型来预测它们之间的反应生成新的分子,同时可以考虑化合物的性质和合成路径的可行性,通过解决反合成问题,预测出一组可以产生目标产品的反应物。
Jun, 2019
提出差分可伸展树(DST)模型,基于学习知识网络将离散化化学结构转化为局部可微分的结构,并通过图神经网络(GNN)反向传播导数,实现了化学图结构的基于梯度的优化,且优化结果具有有效性和样本效率,并且学习到的图形参数可以提供有助于领域专家理解模型输出的解释。
Sep, 2021
通过采用 Fragment-Based Drug Design 范例生成小分子结构语言模型并进行分子生成,大幅提高了分子的有效性和独特性,达到了基于图像的模型的最佳表现。
Feb, 2020