3DMolNet:分子结构生成网络
本篇论文提出了一种基于条件生成神经网络的三维分子结构的设计方法,该方法不依赖于化学键,并能针对特定分布生成新颖分子,同时能够逆向设计并发现稳定的分子,在多种电子性质方面提高了生成效能。
Sep, 2021
提出了一种基于条件变分自编码器的分子生成模型,可以控制多个分子属性,生成具有五个目标属性的类药物分子,可以单独调整一个属性,将其操作超出数据集范围。
Jun, 2018
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
该论文提出了通过对晶体单位单元中的原子位置进行编码和解码的方法来生成 3D 分子模型的连续压缩潜空间表示,该过程中使用了 Encoder-Decoder 对和另一个网络来对输出进行分割和分配原子。
Sep, 2019
该研究报告了一种将分子的离散表示转换为多维连续表示的方法,并使用深度神经网络构建了三个耦合函数,即编码器、解码器和预测器,以便从化合物的化学特性的连续向量表示中自动生成新的化合物,这种连续表示还允许使用强大的梯度优化方法有效地引导寻找优化的功能化合物。
Oct, 2016
MolGAN 是一种基于图形结构数据的深度生成模型,旨在绕过化学结构的昂贵搜索程序,通过直接生成分子图来优化不同 iable 模型,结合强化学习目标,以鼓励特定化学属性的分子生产。
May, 2018
本文探讨如何使用深度学习方法 - 自动编码器,进行新型药物分子结构的设计,并通过搜索自动生成的 latent space, 生成预测活性的新化合物,并识别与训练集不同但具有相似效应的活性化合物。
Nov, 2017
将递归神经网络与卷积网络以层次化方式结合,可以从 SMILES 字符串中提取自回归信息并保持信号和长程依赖关系,从而实现了在重构已知分子时非常高的有效性率达到 95%。同时,我们观察到测试集和重构分子之间的平均 Tanimoto 相似性为 0.6,这表明我们的方法在使用类似方法的先前工作中比较有效地将 SMILES 字符串与其学习表示之间进行映射。
Jan, 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
本文提出了一种适用于分子结构的、特别设计了多项技术创新的变分自编码器,并发展了一个梯度优化算法用于优化其生成分子的能力,实验结果表明该模型比多种现有模型更能够有效地发现合理、多样且新颖的分子。
Feb, 2018