MMSep, 2019

利用深度神经网络增强遗传算法在化学空间探索

PDF
TL;DR该研究论文的主要研究方向包括优化、机器学习、化学等领域，研究了应用基于神经网络的强化学习算法的遗传算法来产生高效的有机物质，同时提出一种提高遗传算法可解释性的方法来获得设计原则。
发现论文，激发创造
  • 遗传探索引导深度分子优化

    本文介绍一种基因专家引导学习法（GEGL）的新框架，用于培训深度神经网络（DNN）生成高奖励分子，结果表明 GEGL 在优化中显著优于现有方法。

    Jul, 2020

  • 遗传算法是分子生成的强大基准

    本论文表明，遗传算法是一种强大的生成分子的算法，优于许多复杂的机器学习方法，并提出了遗传算法准则，建议重新评估分子生成的研究。

    Oct, 2023

  • ChemGAN 挑战：AI 是否能够重现自然化学多样性为药物开发服务？

    本研究旨在探索生成具有期望化学性质的分子以用于药物研发。通过定量评估内部化学多样性，我们提出了以下挑战：一个 AI 模型是否能够复制所需分子的自然化学多样性？通过考虑强化学习模型及最近推出的 ORGAN 模型，我们发现这一挑战并未被成功解决。我们希望这一挑战可以在相关领域内引起进一步的研究。

    Aug, 2017

  • 深度神经进化：遗传算法是训练深度神经网络进行强化学习的竞争性替代方案

    我们证明了遗传算法可以在深度人工神经网络上实现良好的性能表现，即使没有梯度信息支持，我们使用深度遗传算法结合新颖搜索技巧在具有挑战性的深度强化学习问题上获得了成功，并且速度比其他算法更快，能够实现高效编码。

    Dec, 2017

  • 分子 - 基因进化驱动的人类水平分子优化

    通过 Deep Genetic Molecular Modification Algorithm (DGMM)，将结构修饰引入药物化学家的水平，该算法利用离散变分自动编码器 (D-VAE) 将分子编码为量化编码 mol-gene，将深度学习与遗传算法相结合，用于灵活结构优化，以发现药理学上相似但在结构上有所区别的化合物并揭示药物发现中结构优化的权衡。我们在几个应用中验证了 DGMM 的有效性。

    Jun, 2024

  • 深度学习在分子设计中的应用 - 现状综述

    文献的主要内容是深度生成建模技术被应用于分子生成和优化，包括使用递归神经网络、自动编码器、生成对抗网络和强化学习等四种技术，并探讨了这些技术的数学基础和优缺点，内容涉及到分子表示和设计中的多个方面。

    Mar, 2019

  • ChemSpaceAL：一种高效的应于蛋白质特异性分子生成的主动学习方法

    通过构建样本空间的表示，使用半监督主动学习方法来精细调整生成模型，使其针对目标函数进行优化，以在化学空间代理内实施，从而最大限度地增强生成的分子与蛋白质靶点之间的吸引相互作用。

    Sep, 2023

  • 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

  • 计算化学中的深度学习

    本文综述了深度神经网络在计算化学等领域中的广泛应用和优越表现，强调它作为一种有价值的机器学习工具在未来将发挥重要作用。

    Jan, 2017

  • 使用深度生成模型生成和设计 DNA

    本文提出了三种生成神经网络方法，用于生成 DNA 序列，并调整其具有期望的性质。这些工具捕捉到数据的重要结构，并在设计蛋白质结合微阵列探针时，生成具有超越训练数据的性能的新序列。我们相信这些结果为将深层生成模型应用于推进基因组学研究开辟了新的空间。

    Dec, 2017