用于药物发现的深度图生成模型可视化
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
研究表明 Generative AI 方法在药物研发领域有广泛应用，本论文开发了一种基于变分自编码器和主动学习步骤工作流程的 GM 方法，可以从分子指标学习，生成与特定靶点高度亲和的化学有效分子和新的不同于目标已知结构的分子，并开启了针对特定目标探索新化学领域的可能性。
May, 2023
综述了机器学习和图学习在分子设计和药物发现中的应用，提出将这些方法分成三类，并总结了常用的评估指标和公共数据集。最后，从药品视角探讨了未来研究的挑战和方向。
Feb, 2022
通过建立一个名为 K-DReAM 的知识增强生成模型的框架，该研究提出了一个创新方法，以填补生成模型与广泛生物医学知识之间的差距，利用知识图谱的语义信息引导扩散模型，并结合生成模型的功能扩展，从而产生具有特定特征且具备有效性和可合成性的新药候选物。
Feb, 2024
本文综述了生物医药行业中越来越受关注的图机器学习对于模拟生物分子结构、它们之间的功能关系以及综合多组学数据的能力，并在药物研发和发现的全过程中，从靶点识别、小分子和生物类药物设计、以及药物重药用等方面进行了归纳总结，并指出，尽管这一领域仍在崛起，但关键的里程碑已经出现，表明图机器学习将成为生物医学机器学习的首选模型框架。
Dec, 2020
本文提出了一种新的分子生成方法，使用单调正则化的图变分自编码器实现了可解释性和可控性的深度生成模型，并通过多项式函数来与目标分子属性之间的关系进行学习和优化，实现了对毒性、clogP 等目标分子属性的可解释性和可控性的生成。经过充分的实验评估，证明了该框架在准确性、新颖性以及对目标分子属性的可解释性和可控性方面的卓越性。
Feb, 2022
本文提出了一种新的因式化深度生成模型框架，旨在实现可解释的动态图形生成，并提出了各种生成模型，以表征节点、边、静态和动态因子之间的条件独立性，并基于新设计的因子化变分自编码器和循环图解卷积提出了变分优化策略和动态图解码器。多个数据集上的广泛实验验证了所提出模型的有效性。
Oct, 2020
本研究提出了一个新的基于顺序图生成器的分子设计框架，该方法比现有的图生成模型更适用于分子生成，并已扩大应用范围。使用条件图生成模型解决了多个药物设计问题，并取得了高效率的结果。
Jan, 2018
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