本文提出并评估了一种利用生成深度学习的图形生成模型，生成蛋白质的功能相关三维结构的替代方法，并评价了几种深层结构的全面评估。

Apr, 2020

本文提出了利用 3D 蛋白结构进行预训练的蛋白质表示方法，并通过多视图对比学习和自我预测任务，实现了对蛋白质的编码。实验结果表明，该方法不仅可以比现有的基于序列的方法更有效地预测蛋白质的功能和褶叠分类，而且使用的预训练数据更少。

Mar, 2022

这篇研究论文介绍了一种名为 TargetVAE 的目标感知变分自编码器，它能够根据蛋白质目标，通过使用基于图变换器的新颖多模态深度神经网络作为生成模型的先验，产生具有高结合亲和力的配体，从而在药物发现中减小潜在药物候选的搜索空间。

Aug, 2023

本文提出了一种利用图神经网络和自然语言大模型生成结构和序列感知型蛋白质表示的新框架，并将其与传统的基于结构对齐的方法相比较，证明了该方法在比较蛋白质结构和蛋白质结构分类任务中的优越性能。

Jun, 2023

本文探讨如何使用深度学习方法 - 自动编码器，进行新型药物分子结构的设计，并通过搜索自动生成的 latent space, 生成预测活性的新化合物，并识别与训练集不同但具有相似效应的活性化合物。

Nov, 2017

我们提出了一种新颖的结构感知的蛋白自监督学习方法，利用图神经网络模型预训练，从残基距离和二面角的角度考虑自监督学习任务，借鉴预训练蛋白语言模型的序列信息结合专门设计的 GNN 模型的结构信息进行伪二级优化，实验证明该方法在多个监督型下游任务中的有效性。

Apr, 2022

本研究论文介绍了使用 Gaussian mixture variational autoencoder（GMVAE）进行分子模拟数据的降维和聚类，以及其在构建 Markov 状态模型方面的潜在应用。

Dec, 2019

该研究提出了一种面向分子联合自编码（MoleculeJAE）的预训练方法，该方法可以学习分子的二维键和三维构象信息，通过扩增轨迹的弥散过程模型，MoleculeJAE 能够以自我监督的方式学习分子的化学结构，优于与其相比的 12 个竞争基准，在 20 个任务中有 15 个任务达到了最先进的性能水平。

Dec, 2023

本研究通过预训练三维蛋白质结构的图神经网络，利用蛋白质的地理层次结构和亚图与全球结构的关系，提出了一种新的自我监督方法，能够显著提高三维图神经网络在不同蛋白质分类任务中的性能表现。

Jun, 2024

利用变分自编码器生成所需属性的蛋白质序列，不需要人为干预，可添加潜在的铜和钙结合位点并与隐马尔可夫模型进行比较，同时开发了蛋白质结构语法用来产生一种新型蛋白质拓扑结构。该模型能够限制蛋白质序列的搜索空间，易于扩展，有助于各种蛋白质设计任务。

Jun, 2018