针对目标的分子图生成

ICMLFeb, 2022

Target-aware Molecular Graph Generation

Cheng Tan, Zhangyang Gao, Stan Z. Li

TL;DR本文提出了一种基于目标感知的分子药物生成模型：SiamFlow。通过引入一种对齐损失和均匀损失，强制流在潜在空间中匹配目标序列嵌入分布，进而解决化学方法在药物 - 靶标相互作用方面的局限性，并在药物研发中提供了一种连接生物学和化学的新方法。

Abstract

Generating molecules with desired biological activities has attracted growing attention in drug discovery. Previous molecular generation models are designed as chemocentric methods that hardly consider the drug-target interaction, limiting their practical applications. In this paper, w

molecular drugs target-aware flow-based molecular generation models alignment loss drug discovery

发现论文，激发创造

TAGMol: 目标感知梯度引导的分子生成

3D 生成模型在结构基药物设计中表现出显著的潜力，尤其在发现适应特定靶点结合位点的配体方面。TAGMol 是一个综合的药物生成框架，通过将问题分解为分子生成和特性预测，并通过引导扩散采样过程来实现生成具有所需特性的有意义的分子。在基准数据集上进行的实验证明，TAGMol 相对于现有先进算法具有优越性能，在平均 Vina 分数上提高了 22％，并在重要辅助属性方面取得了良好的结果。

Jun, 2024

一种生物启发式的多模态分子生成机器学习评估方法

本研究为分子生成模型提出了一个新的具有生物学启发的评估基准，重点关注配体 - 靶标相互作用，提出了一系列有关蛋白质配体亲和预测、分子对接等与药物发现过程直接相关的指标，并采用多模态方法结合各个指标进行评估，结果表明该单元模式可能导致关于靶标与分子相互作用的错误结论，从而创建了一个高度有效的工具来评估分子生成输出，为药物发现过程的丰富提供了可能性。

Aug, 2022

针对性治疗设计的潜在分子优化

针对计算药物发现中的目标分子设计问题，作者们提出了一种新的方法，该方法利用图卷积网络提取目标位点的特征，将离散化的化学物质嵌入到连续潜在空间中，并使用不同可微模型进行药效和配合作用等性质的优化，从而成功发现了具有潜在绑定性的新分子。

Sep, 2018

SynFlowNet: 朝着具备保证的合成途径的分子设计

基于生成模型的分子生成模型在药物发现方面取得了突破。通过使用具有化学验证的反应和反应物的动作空间，SynFlowNet 模型能够构建具有合成可行性的新分子，并且在多样性和高效性方面表现出色。

May, 2024

通过潜空间能量建模与逐步分布转移的分子设计

本文提出了一种生成模型，基于能量模型（EBM）和分子生成模型、性质回归模型生成具有期望化学和生物性质的体小分子，并引入了逐步分布转移采样算法（SGDS），从而在训练的分子数据和性质的基础上，逐步将模型分布转移到具有期望性质的分子区域，取得了很好的实验效果。

Jun, 2023

基于知识强化的生成模型改进分子生成与药物发现

通过建立一个名为 K-DReAM 的知识增强生成模型的框架，该研究提出了一个创新方法，以填补生成模型与广泛生物医学知识之间的差距，利用知识图谱的语义信息引导扩散模型，并结合生成模型的功能扩展，从而产生具有特定特征且具备有效性和可合成性的新药候选物。

Feb, 2024

用潜在流量导航化学空间

通过化学流动机制在分子生成模型的潜在空间中导航，提出了一种新的框架 ChemFlow，以遍历化学空间并实现在药物设计和材料发现方面的分子科学应用。

May, 2024

通过图卷积网络生成分子

本文介绍了一种基于图卷积网络模型和输入归因方法的自动生成新分子方法，解决了药物设计中如何确定哪些分子的哪些方面对其最终活性 / 性能是更有影响力的问题。同时也探讨了过度优化和适用性两个问题的应用实例。

Jan, 2022

药物设计的分子生成：基于图学习的视角

综述了机器学习和图学习在分子设计和药物发现中的应用，提出将这些方法分成三类，并总结了常用的评估指标和公共数据集。最后，从药品视角探讨了未来研究的挑战和方向。

Feb, 2022

基于几何信息的 GFlowNets 用于结构化药物设计

利用生成流网络（GFlowNets）有效地探索药物样分子的组合空间，改进了 GFlowNet 框架，以增强生成特定蛋白质口袋的分子的能力，并通过使用 CrossDocked2020 数据集的实验证明了生成分子与蛋白质口袋之间的结合亲和力的提高，提出了进一步增加蛋白质 - 配体相互作用几何信息的未来研究方向。

Jun, 2024