该研究报告了一种将分子的离散表示转换为多维连续表示的方法，并使用深度神经网络构建了三个耦合函数，即编码器、解码器和预测器，以便从化合物的化学特性的连续向量表示中自动生成新的化合物，这种连续表示还允许使用强大的梯度优化方法有效地引导寻找优化的功能化合物。
Oct, 2016
本文提出一种基于变分自编码的图结构模型，用于生成符合已有数据分布的化学分子结构，并通过实验数据分析表明该模型在分子生成任务上表现较好，同时使用合适的隐空间设计允许生成具备特定性质的分子。
May, 2018
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
本论文提出了一种结合了变分自动编码器和基于变压器模型的图卷积和图池化层的方法，直接对图进行操作，能够生成具有可解释特性的潜空间和有效生成分子的模型。
Apr, 2021
该论文提出了通过对晶体单位单元中的原子位置进行编码和解码的方法来生成 3D 分子模型的连续压缩潜空间表示，该过程中使用了 Encoder-Decoder 对和另一个网络来对输出进行分割和分配原子。
Sep, 2019
本文提出了一种适用于分子结构的、特别设计了多项技术创新的变分自编码器，并发展了一个梯度优化算法用于优化其生成分子的能力，实验结果表明该模型比多种现有模型更能够有效地发现合理、多样且新颖的分子。
Feb, 2018
本文提出了一种基于 junction tree variational autoencoder 生成具有化学相关性的分子图的方法，能够在保持化学有效性的情况下，通过生成固定结构的分子骨架并使用图消息传递网络组合它们。研究人员在多个任务上进行了评估，并发现该方法明显优于之前的最先进基准。
将递归神经网络与卷积网络以层次化方式结合，可以从 SMILES 字符串中提取自回归信息并保持信号和长程依赖关系，从而实现了在重构已知分子时非常高的有效性率达到 95%。同时，我们观察到测试集和重构分子之间的平均 Tanimoto 相似性为 0.6，这表明我们的方法在使用类似方法的先前工作中比较有效地将 SMILES 字符串与其学习表示之间进行映射。
Jan, 2024
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
本文重点研究了药物发现方面的自动优化工具，并且提出了一种基于图像及其翻译方法的分子优化技术，利用其原子级编码和自回归图形解码器解决分子结构中的多个技术挑战。同时，我们的模型在多项任务中显著优于现有的基准模型。
Jun, 2019