May, 2022

3DLinker: 一种 E (3) 等变可变自编码器用于分子连接器设计

PDF
TL;DR本研究提出一个命名为 3DLinker 的条件生成模型，以生成用于连接具有独立功能的两个分子的链接物，该模型可以预测锚点，以及联合生成链接器图形和它们的 3D 结构，具有较高的恢复分子图形的率和准确地预测所有原子的 3D 坐标的表现。
deep learningdrug designconditional generative modelmolecular graphs3d structures
发现论文，激发创造
  • 分子链设计的等变三维条件扩散模型

    本文提出了 DiffLinker 方法，该方法采用 E (3)- 等变 3D - 条件扩散模型来设计分子链接剂，能够连接任意数量的分子碎片，自动确定链接剂中的原子数和其附着点，且在标准数据集上表现优异，能够成功生成与蛋白质袋口相一致的链接剂。

    Oct, 2022

  • 3DMolNet：分子结构生成网络

    使用可变自编码器学习分子的三维结构，实现对分子结构的建模，生成具有结构和组成合法性的分子结构

    Oct, 2020

  • 约束图变分自编码器用于分子设计

    本文提出一种基于变分自编码的图结构模型，用于生成符合已有数据分布的化学分子结构，并通过实验数据分析表明该模型在分子生成任务上表现较好，同时使用合适的隐空间设计允许生成具备特定性质的分子。

    May, 2018

  • 目标感知分子生成和亲和力预测的 3D 等变扩散

    本研究基于 3D 等变扩散模型实现有标的分子设计，并提出了一种综合的评估框架来评估样本分子的质量，实验结果表明，该模型能够更好地生成具有更逼真的 3D 结构和更好的与蛋白靶点的亲和力，而且在不重新训练的情况下能够提高结合亲和力排名和预测质量。

    Mar, 2023

  • 基于深度生成模型的条件受体结合位点三维分子生成

    本文提出了一种新的基于深度学习的方法来生成可预测结合蛋白质的三维分子结构，对生成的分子进行了性质评估，并探索了生成模型的潜在空间，为利用深度学习从蛋白结构预测稳定的生物活性分子开启了新的可能性。

    Oct, 2021

  • 分子图生成的联合树变分自编码器

    本文提出了一种基于 junction tree variational autoencoder 生成具有化学相关性的分子图的方法，能够在保持化学有效性的情况下，通过生成固定结构的分子骨架并使用图消息传递网络组合它们。研究人员在多个任务上进行了评估，并发现该方法明显优于之前的最先进基准。

    Feb, 2018

  • 基於深度生成模型的條件分子設計

    本文提出了一种半监督变分自编码器模型，能够同时进行属性预测和分子生成，从而高效生成具有所需属性的新分子。我们从估计好的生成分布中进行采样以生成新的分子，并在药物样分子上证明了该模型的有效性、改进了属性预测的性能，并高效生成满足各种目标条件的新型分子。

    Apr, 2018

  • ETDock: 一种新颖的蛋白质 - 配体对接等变换 Transformer 模型

    应用等变性转换神经网络模型，利用蛋白质和配体的 3D 空间信息以及配体的图级特征进行融合和学习，实现了蛋白质 - 配体对接位姿的预测，并通过迭代优化生成精炼的配体位姿，实验证明该模型具有最先进的性能。

    Oct, 2023

  • 通过等变扩散模型的形状条件下的三维分子生成

    该研究旨在利用基于配体的药物设计方法，根据已知活性分子的相似形状，寻找新的药物候选化合物。通过开发一种称为 ShapeMol 的新型生成模型，该模型可以根据给定分子的形状生成 3D 分子结构。实验结果表明，ShapeMol 可以生成与给定形状条件相似的新型多样化的类似药物的分子，展示了 ShapeMol 在设计与蛋白靶点结合的具有期望的 3D 形状的药物候选化合物方面的潜力。

    Aug, 2023

  • 基于条件变分自编码器的分子生成模型，用于新型分子设计

    提出了一种基于条件变分自编码器的分子生成模型，可以控制多个分子属性，生成具有五个目标属性的类药物分子，可以单独调整一个属性，将其操作超出数据集范围。

    Jun, 2018