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。

Oct, 2020

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

本研究通过开发一种多功能的 “插件” 分子生成模型，结合多个目标相关性、药物相似性和可合成性，来解决多目标生成、模型适应性以及药物发现实际应用中的挑战。在药物发现的背景下，我们改进了粒子群优化算法（PSO），通过比较实验发现 PSO-ENP 是多目标分子生成和优化的最佳变体。该模型还整合了一种新颖的目标配体亲和力预测器，通过支持三维信息和改善合成可行性来提高模型的效用。实例研究聚焦于生成和优化类似药物的大型海洋天然产物，突显了 PSO-ENP 的有效性，并展示了其在实际药物发现应用中的巨大潜力。

Apr, 2024

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

我们开发了一套深度学习方法和综合工具，针对分子属性预测和药物发现，跨越不同的计算模型、分子表示和损失函数。我们将分子表示为图和序列，并围绕这些表示所构建的深度模型进行学习。为了有效地从高度不平衡的数据集中学习，开发了优化精度 - 召回曲线下面积的先进损失函数。在在线和离线抗生素发现和分子属性预测任务中的结果表明，我们的方法相对于之前的方法实现了持续的改进，并在与 COVID-19 相关的 AI Cures Open Challenge 中以 ROC-AUC 和 PRC-AUC 方面均排名第一。

Dec, 2020

该研究论文提出了一种新颖的 Python 库 ChemTS，该库通过结合 Monte Carlo Tree Search（MCTS）和递归神经网络（RNN）依据无预定化合物片段探索化学空间，实现有机材料的自动设计并获得了优于传统方法的高效率和准确度。

Sep, 2017

通过神经架构搜索，我们设计了一个自动化的消息传递神经网络（MPNNs）用于预测小分子的分子性质。 将自动化发现的 MPNNs 与手动设计的 GNNs 进行比较，表明后者在分子性质预测上表现更优。

Aug, 2020

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

本文提出了 JANUS，一种受并行淬火启发的遗传算法，使用自适应学习的深度神经网络来近似分子性质，提高化学空间的采样效率，优于其他生成模型，从而实现了优秀的反分子设计任务表现。

Jun, 2021

本文提出了基于分解和重组的分子设计方法，通过分解分子并通过强化学习寻找理想的构建子以生成新的分子，以达到更好的分子质量以及合适的药物特性。

Dec, 2022