Sep, 2021

可微脚手架树用于分子优化

PDF
TL;DR提出差分可伸展树（DST）模型，基于学习知识网络将离散化化学结构转化为局部可微分的结构，并通过图神经网络（GNN）反向传播导数，实现了化学图结构的基于梯度的优化，且优化结果具有有效性和样本效率，并且学习到的图形参数可以提供有助于领域专家理解模型输出的解释。
molecular optimizationdeep generative modelscombinatorial optimizationdifferentiable scaffolding treegraph neural network
发现论文，激发创造
  • 基于支架的分子设计使用图生成模型

    本研究提出了一种基于 scaffold 的分子生成模型，通过顺序添加顶点和边来生成分子图，可以在保证给定 scaffold 的同时控制生成分子的多种性质。

    May, 2019

  • 学习使用结构基元扩展分子支架

    本文提出了一种基于图形的 MoLeR 模型，支持框架作为初始生成过程的种子，能够在没有生成历史的条件下快速训练和采样，而且在定向分子优化任务上表现优异。

    Mar, 2021

  • 支架限制分子生成

    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

  • 生成模型提出的分子可合成性

    新型深度学习算法在提高新药发现效率方面表现出色，但其缺乏可合成性的信息，导致其合成难度大幅上升，需要新算法的开发来加以解决。

    Feb, 2020

  • DecompOpt：基于结构的分子优化的可控分解扩散模型

    近期，3D 生成模型在基于结构的药物设计中表现出了良好的性能，但仅建模目标配体分布难以实现药物发现的一个主要目标，即设计具有所需性质（如高结合亲和力、易合成等）的新型配体。本研究中，我们提出了 DecompOpt，这是一种基于可控分解扩散模型的基于结构的分子优化方法，通过优化和条件扩散模型相结合的新一代范式，实现所需性质以及保持分子语法。实验证明，DecompOpt 比强大的全新设计基准方法更有效地生成具有改善性质的分子，并在可控生成任务中显示出巨大潜力。

    Mar, 2024

  • 深度引导优化：利用生成人工智能进行结构修改

    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

  • 分子 - 基因进化驱动的人类水平分子优化

    通过 Deep Genetic Molecular Modification Algorithm (DGMM)，将结构修饰引入药物化学家的水平，该算法利用离散变分自动编码器 (D-VAE) 将分子编码为量化编码 mol-gene，将深度学习与遗传算法相结合，用于灵活结构优化，以发现药理学上相似但在结构上有所区别的化合物并揭示药物发现中结构优化的权衡。我们在几个应用中验证了 DGMM 的有效性。

    Jun, 2024

  • 在三维空间中塑造分子：一种灵活的基于子结构的文本导向分子优化框架

    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

  • 钻研分子合成 DAG 图的搜索方法

    本论文介绍了一种调用化学反应生成分子的生成模型，并以优化分子合成为目标来提高模型可生成性能。

    Dec, 2020

  • 复杂系统的无导数树优化

    这篇研究论文提出了一种基于树搜索的无导数优化方法，借助机器学习模型逐步逼近全局最优解，有效解决高维复杂系统的优化问题，在各种基准函数上实现了高达 2000 维的全局最优收敛，比已有方法快 10 到 20 倍，具有广泛的应用性，可用于材料、物理和生物等领域，超越了现有算法，实现高效自主知识发现和虚拟实验室的自动化。

    Apr, 2024