使用深度生成模型基于受体结合位点生成三维分子结构
本文提出了一种新的基于深度学习的方法来生成可预测结合蛋白质的三维分子结构,对生成的分子进行了性质评估,并探索了生成模型的潜在空间,为利用深度学习从蛋白结构预测稳定的生物活性分子开启了新的可能性。
Oct, 2021
本文提出了一种生成指定蛋白质结合位点分子的 3D 生成模型,可应用于结构基因设计任务,通过学习原子的概率密度分布并提出自回归采样策略,实现了生成有效和多样性分子的能力,在实验结果中表现出较高的亲和力和良好的药物特性。
Mar, 2022
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
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
本文提出了一种基于口袋的三维分子生成方法,利用具有生成 3D 坐标能力的语言模型,并设计了扰动复原预训练任务,介绍了一种新的分子表示方法,并利用 CrossDocked 和 DUD-E 数据集对其进行了评估。该方法在几乎所有指标上实现了最优的表现,特别是在结合模式、药物性质、合理构型和推理速度方面。
May, 2023
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
利用基于蛋白质为环境约束的扩散模型,在非自回归的完整原子水平上,去噪元素类型和整个分子的三维坐标,学习生成过程,相较其他方法具有更高的相似性和更适当的分子大小以及其他药物性质。
Nov, 2022
我们提出了一种预训练方法,使用现有的分子构形数据集生成适用于多个构形的潜在向量,从而解决了获取多个构形的计算成本高的问题,并展示了我们的模型在分子性质预测方面优于使用分子图和三维分子结构的现有预训练方法。
Dec, 2023
利用深度学习的生成模型对分子和材料进行快速的预测,同时引入了一种能够识别非键合作用和立体异构体,并且能够偏向于小 HOMO-LUMO 间隙分子生成的生成式神经网络。
Jun, 2019