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
本文介绍一种新的分子超图文法变分自编码器 (MHG-VAE),通过使用一个单一的 VAE 结合基于贝叶斯优化的技术,利用分子超图文法编码硬化学限制来指导 VAE 生成有效的分子,以解决分子优化中的两大挑战:有效性和成本效益。
Sep, 2018
通过引入一种基于演员 - 评论家强化学习的生成对抗网络 (GAN) ,称为 InstGAN,将独特的即时和全球奖励的方法用于在分子级别上进行多属性优化,以解决生成对抗网络和强化学习模型的训练不稳定和高计算成本的挑战,实验证明 InstGAN 在生成具有多属性优化的分子方面优于其他基线模型,并且性能可与最先进的模型相媲美,同时高效地生成分子。
Mar, 2024
本文提出了一种数据效率的生成模型,其核心是可学习的图形语法,能够从比常规基准小几个数量级的数据集中学习,生成高质量的分子。
Mar, 2022
该研究提出了图卷积策略网络 (GCPN) 作为一种通过强化学习进行目标导向图形生成的算法。该模型通过策略梯度来优化特定领域的奖励和对抗损失,并在包含特定领域规则的环境中执行。实验结果表明,GCPN 在化学性质优化上比现有技术基线提高了 61%,同时产生的分子类似已知分子, 在约束属性优化任务上实现了 184%的提高。
Jun, 2018
本论文提出了一种利用几何增强分子表示学习的方法,称为 GEM,通过使用基于几何的 GNN 架构和几何级别的自监督学习策略,该方法可以用来进行化学表示学习,实验表明该方法可以显著优于各种现有基线方法。
Jun, 2021
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
本文介绍了 MolCLR 框架:通过图神经网络的分子对比学习,基于大规模未标记的分子数据集学习不同 iable 的表征,提供预训练和微调来有效地预测分子性质,实验结果显示该框架在分类和回归任务上显着提高了性能。
Feb, 2021
通过对不同的文本语法设计和训练算法选择进行广泛的实验,我们提出了一种新的基于强化学习的分子设计算法(ChemRLformer),并通过对 25 个分子设计任务的深入分析,包括计算复杂的蛋白质对接模拟,发现了这个问题领域的独特见解,并展示了 ChemRLformer 在文本分子设计中所取得的最新成果,同时还揭示了哪些设计选择对于文本分子设计实际上有帮助。
Oct, 2023
该研究提出了一种使用神经编码器 - 解码器模型和强化学习来进行语法错误校正的方法,并探讨了相较于传统的最大似然估计方法的优越性。研究表明,该方法在人工和自动评估指标上的表现都优于最大似然估计,达到了流畅度优化的语法错误校正数据集上的最先进的水平。
Jul, 2017