本文介绍了一种生成具有理想属性的分子的新方法,该方法通过在分子和分子片段上执行扩散来获取混合高斯分布,并使用新颖的基于电子效应的分解方法优化多个分子属性,从而在人工智能驱动的药物设计和发现方面具有重要的应用前景。
Oct, 2023
新型深度学习算法在提高新药发现效率方面表现出色,但其缺乏可合成性的信息,导致其合成难度大幅上升,需要新算法的开发来加以解决。
Feb, 2020
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
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。
设计新分子用于解决现代药物发现和研发中的核心问题,MolecularRNN 是一种图形循环生成模型,通过对大量分子进行似然训练,生成出多样化的现实分子图。使用增强学习策略梯度算法,提供评估感兴趣属性奖励的评论家,证明与现有的方法相比,在疏水性、药物,熔点等属性上表现得更好。
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
利用 Mol-CycleGAN,可以生成在结构上类似于原有分子的优化化合物,该模型在抗药物分子的罚函数 logP 优化中表现良好。
Feb, 2019
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
通过研究亚图结构和词汇设计对分布学习的影响,揭示了 Subcover 对于提高现有方法的性能和可扩展性的潜力,从而在分子机器学习方面为化学家提供了优秀的工具。
Apr, 2023
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