研究表明，机器学习化学属性预测方法依赖于一个假设，即感兴趣的属性与一个单独的化学结构相关联。本文中，我们应用反应收率数据枚举与给定 DNA 标签相对应的可能分子集，通过在这个更丰富的数据集上训练一个自定义的 GNN 模型，证明了它相比原来的模型提高了准确度和泛化性能。

May, 2022

提出了针对最先进的机器学习模型，包括深度神经网络和梯度提升机的计算有效的 CP 算法，可在一些数据分布的弱前提下生成有效预测间隔，为 QSAR 建模提供了新的工具。

Apr, 2023

通过研究在蛋白质或有机小分子等易突变的离散组合空间中训练的机器学习（ML）模型的数据误差缩放行为的趋势，我们发现了学习过程中出现的不连续的单调阶跃现象，其表现为特定训练数据阈值时测试误差的快速下降。我们发现了饱和和渐近衰减两种学习模式，并发现它们取决于训练集中含有的突变复杂性水平（即突变数量）。本研究对于在可突变离散空间中的机器学习，如化学性质或蛋白质表型预测，并改善基本统计学习理论的理解具有重要意义。

May, 2024

本文探究定量构效关系学习作为元学习的一个案例研究，研究了机器学习方法和算法选择对于药物开发的重要性，发现元学习方法比单个机器学习方法（例如随机森林）在药物开发中性能更好。

Sep, 2017

该论文提出了一种新的计算策略，名为 ReLeaSE（增强学习结构进化），通过深度学习和强化学习的方法，利用生成模型和预测模型生成具有预设属性的新型化合物库，此方法可用于生成具有单一或多个属性的有针对性的化合物库。

Nov, 2017

DNA-encoded libraries (DELs) are evaluated for protein-protein interaction (PPI) biased DEL design, using machine learning algorithms as rewards for the proposed GFlowNet-based generative approach, and investigating the use of structural information for hierarchical action space design. GFlowNets show promise for generating diverse combinatorial library candidates.

Apr, 2024

模型利用异质性药效数据的信息协同，成功应对了试剂异质性，极大地提高了不同蛋白质靶点和试剂类型的亲和力预测，从而在早期药物发现中实现了大规模虚拟筛选。

Aug, 2023

本文介绍了一种基于序列的生成模型来设计分子的方法，通过增强情节似然性可以学习生成具有某些指定的理想特性的结构。将模型应用于生成类似物质结构，生成与药物 Celecoxib 类似的分子以及具有活性的化合物。最后，将模型调整为生成预测对多巴胺受体 2 具有活性的化合物，得到了 95% 以上的预测为活性的结构，其中包括实验证实的活性化合物。

Apr, 2017

本文研究了利用下一代测序技术进行基因组测序以及使用机器学习模型预测 LoFtool 分数和基因突变的相关特性，通过建立多个模型并评估其性能，得到了测试集 r 平方值为 0.97 的结果。

Jan, 2024

该论文提出了一个名为 Uni-QSAR 的深度学习自动机器学习工具，结合了分子表示学习和预训练模型，利用大规模无标签数据得到丰富的表示，优于 SOTA 并在药物发现领域具有实际用途。

Apr, 2023