Apr, 2020

使用强化学习学习如何导航合成可达的化学空间

PDF
TL;DR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。
machine learningdrug designsynthesis routereinforcement learningchemical space
发现论文，激发创造
  • 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

  • 强化学习在以量子力学为导向的分子设计中的应用

    本文提出了一种新颖的基于强化学习的分子设计方式，使用笛卡尔坐标系来扩展分子结构类型，并利用快速量子化学方法对基本物理性质（如能量）进行直接奖励函数的构建。同时，引入了名为 MolGym 的强化学习环境，在该环境中针对多种具有挑战性的分子设计任务成功展开实验，并在此基础上，构建出一种翻译及旋转不变的状态空间，实现了从零开始的高效学习。

    Feb, 2020

  • 基于强化学习的可扩展基于碎片的三维分子设计

    本文提出了一种基于强化学习框架的分层代理方法，能够在三维空间中逐步放置分子亚结构，从而高效地学习如何建造具有不同分布的分子，包括药物样分子、有机发光二极管分子和生物分子，只利用能量考虑即可。

    Feb, 2022

  • 使用多个 GPT 代理进行强化学习的全新药物设计

    通过引入 MolRL-MGPT 这一具备多个 GPT 代理的强化学习算法，我们提出了一种全新的药物分子生成方式，以促进分子多样性并在设计 SARS-CoV-2 蛋白靶向抑制剂方面展现出良好的成效。

    Dec, 2023

  • 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

  • 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

  • 提高分子动力学模拟中探索空间的控制能力，通过生成控制策略优化从头分析

    本研究引入了 P5 模型，它利用强化学习技术增强分子动力学模拟的控制、效率和可伸缩性，通过优化靶聚合物链构象的采样方式，提高了效率超过 37.1%。由强化学习引起的控制策略作为归纳偏置，调制布朗力以引导系统进入优选状态，并扩大了配置空间的探索，产生了更多样化的构象，以及针对特定属性的目标，这是聚合物开发、药物发现和材料设计中的关键。我们的技术在研究新系统时具有显著的优势，使生成技术能够处理复杂的仿真问题，开拓了新的方法。

    Jun, 2023

  • 生成模型提出的分子可合成性

    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

  • 混合量子周期生成对抗网络用于小分子生成

    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

  • 可合成化分子生成的 GFlowNets

    通过在化学反应空间中操作，将生成模型扩展到小分子发现中，从而增加了搜索空间的大小，并保持候选分子生成的可合成性，同时对于预训练代理模型和 GPU 加速对接等多个 Oracle 模型都具有良好的表现。

    Jun, 2024