分层图到图分子翻译
本文采用图表征相似的分子并通过图表征将其转换为拥有更好性质的分子,采用基于树的模型以支持多样性的输出,并用低维潜在向量扭曲转换过程以实现多样性,并且用对抗训练方法以对齐分子的分布。实验表明,该模型优于目前最先进的基准。
Dec, 2018
本文介绍一种新的分子超图文法变分自编码器 (MHG-VAE),通过使用一个单一的 VAE 结合基于贝叶斯优化的技术,利用分子超图文法编码硬化学限制来指导 VAE 生成有效的分子,以解决分子优化中的两大挑战:有效性和成本效益。
Sep, 2018
本文提出了一种新的分子生成方法,使用单调正则化的图变分自编码器实现了可解释性和可控性的深度生成模型,并通过多项式函数来与目标分子属性之间的关系进行学习和优化,实现了对毒性、clogP 等目标分子属性的可解释性和可控性的生成。经过充分的实验评估,证明了该框架在准确性、新颖性以及对目标分子属性的可解释性和可控性方面的卓越性。
Feb, 2022
本文提出了一种新的方法,将单个分子结构的图形表示与生物医学知识图的多领域信息相结合,利用自监督策略进行预训练,成功地应用于化学性质预测任务,取得了超过现有最先进模型的表现。
Jun, 2023
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。
Feb, 2018
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