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
利用深度学习和神经生成模型实现了分子的设计,提出了基于标准化基准测试的评估框架,GuacaMol,可用于衡量分子的生成和性质分布等多方面。
Nov, 2018
该研究论文的主要研究方向包括优化、机器学习、化学等领域,研究了应用基于神经网络的强化学习算法的遗传算法来产生高效的有机物质,同时提出一种提高遗传算法可解释性的方法来获得设计原则。
Sep, 2019
本文简介使用基于神经网络的生成模型,引入了一种新算法,进行有支架限制的分子设计,在不同任务下展示了该方法的能力,如从SureChEMBL化学系列中提取支架设计新分子等。
Sep, 2020
基于SELFIES,该论文提出了PASITHEA,一种直接基于梯度的分子优化方法,应用计算机视觉中的inceptionism技术,通过建立一个逆回归模型来生成优化某一属性的分子变异体。
Dec, 2020
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
通过使用自编码器将分子结构转换为潜在空间,再通过在高QED分子周围构建凸包来限制搜索空间,以优化分子设计和发现新的化学结构。
Feb, 2023
通过已有的分子引导,我们提出了一个新的生成分子工作流$ extbf{STRIDE}$,可以在没有重新训练的情况下,生成[新的分子],这对于具有结构相似性的小数据集是特别有用的。
Nov, 2023
通过3DToMolo这一多模式引导生成/优化任务的文本结构对齐对称扩散框架,我们提出了一种创新方法来解决分子设计问题,取得了优于现有方法的结果表现,并能够生成包含指定目标亚结构的新型分子。
Mar, 2024
利用基于深度学习的分子生成加速药物候选物的发现的思想引起了极大关注,并开发了许多用于自动药物设计的深度生成模型,称为分子生成。其中,优化主导在实际药物设计中起着重要作用,我们对传统的计算机辅助药物设计方法进行了系统评述,将这些策略组织成了四个主要子任务,每个任务都有明确的输入和输出。此评述还探讨了基本概念、目标、传统CADD技术和AIDD的最新进展。此外,我们提出了一种基于受限子图生成的统一视角,以协调de novo设计和主导优化的方法。通过这种视角,de novo设计可以融入主导优化的策略,以解决生成难以合成的分子的挑战;反之,主导优化可通过将其作为在特定次结构上生成分子的任务来受益于de novo设计的创新。
Apr, 2024