MMAug, 2019

DeepScaffold：基于脂质体的深度学习药物设计工具

PDF
TL;DR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。
drug designscaffold-based molecular generative modelmolecular dockingde novo drug designbm-scaffolds
发现论文，激发创造
  • 基于支架的分子设计使用图生成模型

    本研究提出了一种基于 scaffold 的分子生成模型，通过顺序添加顶点和边来生成分子图，可以在保证给定 scaffold 的同时控制生成分子的多种性质。

    May, 2019

  • 支架限制分子生成

    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

  • 学习使用结构基元扩展分子支架

    本文提出了一种基于图形的 MoLeR 模型，支持框架作为初始生成过程的种子，能够在没有生成历史的条件下快速训练和采样，而且在定向分子优化任务上表现优异。

    Mar, 2021

  • 深度强化学习的分子全新设计

    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

  • 用于促进药物发现的化学空间的深度学习视角

    该论文介绍了一种基于深度学习技术的神经网络模型 DESMILES，其可以用于药物发现中的分子设计，实验结果表明 DESMILES 比现有模型更有效地改进了输入分子，降低了失败率，并可用于修改分子以促进其在不同受体中的结合亲和力。

    Feb, 2020

  • 通过强化学习进行基于蛋白质靶点特异性支架抑制剂的设计

    本文提出了一种新颖的框架，名为 3D-MolGNN$_{RL}$，结合了强化学习和基于 3D 骨架的深层生成模型，在优化多个特征的同时，通过并行图神经网络模型自动构建具有特定蛋白质活性的靶向分子，以使药物研发中的分子设计更快更高效。

    May, 2022

  • 用于药物发现的深度图生成模型可视化

    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

  • 深度引导优化：利用生成人工智能进行结构修改

    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

  • 深度强化学习用于 De-Novo 药物设计

    该论文提出了一种新的计算策略，名为 ReLeaSE（增强学习结构进化），通过深度学习和强化学习的方法，利用生成模型和预测模型生成具有预设属性的新型化合物库，此方法可用于生成具有单一或多个属性的有针对性的化合物库。

    Nov, 2017

  • 基于几何深度学习的结构药物设计系统性调查

    本文系统地回顾了几何深度学习在基于结构的药物设计中的最近进展，并包括了结合位点预测、结合姿势生成、分子生成、连接器设计和结合亲和力预测等任务的详细综述和相关进展的挑战以及潜在机会。

    Jun, 2023