AAAIOct, 2020

MIMOSA: 分子优化的多约束分子采样

PDF
TL;DR本研究提出了多限制分子采样（MIMOSA）方法，使用图神经网络预测分子拓扑和亚结构类型，采用三种基本的亚结构操作（添加、替换、删除）生成新的反映多种特定性质限制的分子，并取得了相对改进率高达 49.6% 的成功率。
molecule optimizationmulti-constraint molecule samplinggraph neural networksdrug discoveryproperty constraints
发现论文，激发创造
  • MARS: 马尔科夫分子采样在多目标药物发现中的应用

    本文提出了一种多目标药物分子发现的方法 MARS，它基于分子图的片段进行迭代式编辑，采用马尔科夫链蒙特卡罗采样 (MCMC) 和图神经网络 (GNN) 来寻找高质量的化合物，并在不同维度上进行评估结果表明，该方法在多种多目标设定下表现出卓越的性能，其中包括分子的生物活性、仿制药性和合成能力等方面，而且在所有四个目标同时优化的最具挑战性的情况下，我们的方法显着优于以前的方法。

    Mar, 2021

  • 使用可解释子结构的多目标分子生成

    该研究提出了一种分子繁殖算法，可以帮助药物开发人员用于发现新的具有指定化学特性轮廓的化合物，提高了生成化合物的准确性、多样性和新颖性。

    Feb, 2020

  • 支架限制分子生成

    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

  • MolecularRNN：生成具有优化性质的逼真分子图

    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。

    May, 2019

  • 基于图采样的分子属性预测元学习

    为了有效利用分子和性质之间的多对多关系，我们提出了一种基于图采样的元学习（GS-Meta）框架来解决少样本分子属性预测问题。在五个常用基准测试中，GS-Meta 方法在 ROC-AUC 上始终优于现有技术 5.71％-6.93％，并验证了每个提议模块的有效性。

    Jun, 2023

  • 使用互信息机器改进小分子生成

    该论文提出一种基于自编码器和互信息机器学习的方法 MolMIM，用于小分子药物发现领域的分子生成和优化，并使用 CMA-ES 算法在 MolMIM 潜在空间中进行性质引导的分子优化任务，取得了优异的结果。

    Aug, 2022

  • 分子属性预测的图多相似性学习

    我们提出了图形多相似学习（GraphMSL）框架，它在连续尺度上捕捉了分子的自相似性和相对相似性，从而显著提高了分子性质预测中的表示学习的效果。此框架通过不同化学模态推导出单峰多相似性度量，融合这些度量到多模态形式中，灵活的融合函数可以重塑模型的重点以传达不同的化学语义，并通过各种下游任务和事后分析显示出了显著的性能，在药物发现评估中具有重要潜力。

    Jan, 2024

  • Mol-CycleGAN - 分子优化的生成模型

    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

  • 基于图像和图结构的多模态学习用于预测分子性质的框架

    MolIG 是一种多模态分子预训练框架，通过图像和图结构创新地利用分子图和分子图像之间的一致性和相关性执行自监督任务，有效地将两种分子表示形式的优势融合在一起，这种整体方法能够捕捉关键的分子结构特征和高层次的语义信息，并在分子拓展组和 ADMET 拓展组等基准组中，相对于先进的基线模型展现出在分子性质预测等拓展任务中性能的提升。

    Nov, 2023

  • 学习使用结构基元扩展分子支架

    本文提出了一种基于图形的 MoLeR 模型，支持框架作为初始生成过程的种子，能够在没有生成历史的条件下快速训练和采样，而且在定向分子优化任务上表现优异。

    Mar, 2021