HamNet: 基于哈密顿神经网络的构象引导分子表示
本文提出了一种基于条件深度生成图神经网络的分子构像生成方法，可以在数据驱动的基础上直接学习生成符合能量有利的、更可能在实验中被观察到的分子构像，相较于传统力场方法生成的构像更加接近于参考构像，并且保持着几何多样性，可以提供传统力场方法的初始坐标。
Mar, 2019
通过集成分子的 2D 表示和其多个构象体的表示，提出了一种新颖的 2D-3D 聚合机制，结合了分子的属性预测和机器学习方法，在已有数据集上显著优于现有的方法。
Feb, 2024
本研究提出了一种谐波分子表示学习方法，使用分子表面的 Laplace-Beltrami 特征将分子表示为二维黎曼曼 ifold 上的多分辨率表示，同时采用谐波消息传递方法实现更好的分子编码，达到了与当前模型相当的预测能力，优于最先进的深度学习模型的生物蛋白质口袋分类和刚性蛋白质对接挑战，展示了其在分子表示学习中的多功能性。
Mar, 2023
本文提出了一种结合了流模型与能量模型的方法，以解决机器学习在从分子图生成分子空间构象时存在的挑战。经过大量实验，证明该方法在分子构象生成和距离建模任务上具有显著的改进和卓越性能。
Feb, 2021
利用人工智能和生成神经网络对蛋白质的分子动力学进行建模，将分子动力学的轨迹用 Ramachandran 盆类的向量表示，无需使用物理粒子，模型可以扩展无限，并能够完整地模拟蛋白质的构象空间。
Jun, 2022
本研究介绍了一种基于强化学习的高效串行构像搜索技术 TorsionNet，该方法训练出的模型能够使用 Gibbs 得分作为其目标函数，相较于传统的 chemoinformatics 方法，在构建大分子及生物高分子 lignin 的构象搜索方面表现出更高的准确性，具有在可再生能源领域应用的潜力。
Jun, 2020
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
提出了一种基于机器学习的方法 GeoMol，可以生成分子的 3D 构象，并且相较于一些开源、商业或者最先进的机器学习模型表现更为出色，同时具有过程全自动化的特点。
Jun, 2021
本文介绍了哈密顿生成网络 (HGN) 和神经哈密顿流 (NHF)，这是第一种能够从高维度观察中连续地学习哈密顿动力学而无需限制性条件的方法，它能够可靠地从机器学习的角度解决很多问题。
Sep, 2019