生成模型提出的分子可合成性
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
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
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
该研究介绍了多个新的生成对抗网络模型，基于参数化量子电路与已知的生成对抗网络相结合，利用强化学习原理构建了一个新的多参数奖励函数。实验结果表明，这些模型在基准药物设计数据集 QM9 和 PC9 上表现优于以前的模型，尤其是在药物类似性定量估计方面提高了最多 30%。这些新的混合量子机器学习算法以及实现的药代动力学性质分数有助于快速准确的药物发现过程的发展。
Dec, 2023
基于生成模型的分子生成模型在药物发现方面取得了突破。通过使用具有化学验证的反应和反应物的动作空间，SynFlowNet 模型能够构建具有合成可行性的新分子，并且在多样性和高效性方面表现出色。
May, 2024
人工智能驱动的方法可以大大改善历史上昂贵的药物设计过程，各种生成模型已经广泛使用。特别是对于全新药物设计的生成模型，侧重于完全从零开始创建新的生物化合物，展示了一个有前途的未来方向。通过对该领域的迅速发展以及药物设计过程的固有复杂性，为新研究者进入创造了一个困难的环境。在这项调查中，我们将全新药物设计分类为两个主要主题：小分子和蛋白质生成。在每个主题中，我们确定了各种子任务和应用，突出重要的数据集、基准和模型架构，并比较了顶级模型的性能。我们采取广泛的方法进行人工智能驱动的药物设计，允许在每个子任务中对各种方法进行微观水平的比较，并跨不同领域进行宏观观察。我们讨论了这两个应用之间的并行挑战和方法，并强调了人工智能驱动的全新药物设计的未来方向。所有涵盖的资料的有组织存储库可以在此链接中找到：https://www.example.com
Feb, 2024
本研究提出了一种基于增强学习框架的新型前向合成模型 (PGFS)，可以解决化学分子结构的可合成性和合成路线问题，该模型可以为机器学习的药物设计提供一个有挑战性的基础测试平台。
Apr, 2020