本文提出了一种结合了流模型与能量模型的方法，以解决机器学习在从分子图生成分子空间构象时存在的挑战。经过大量实验，证明该方法在分子构象生成和距离建模任务上具有显著的改进和卓越性能。

Feb, 2021

使用分子动力学仿真和可微重要性抽样训练神经网络势能，可以开发出准确和高效的蛋白质粗粒化表示方法，在预测蛋白质动力学、折叠和相互作用等方面具有重要应用价值。

Jun, 2023

利用卷积神经网络从蛋白结构中学习连续的构象空间表示，实现预测连接蛋白的不同构象状态的生物相互作用，并利用转移学习从一个蛋白结构中迁移特征以提高性能。

Oct, 2019

借助深度生成网络，本文提出了一种新颖的生成框架 —— 方法，在计算化学和药物开发领域推动了从二维分子结构推断三维分子构型的精确性，通过一个马尔科夫链过程，将随机噪声的分布转化为连贯的分子形式，并在尊重特定要求的基础上通过一个精心设计的双层优化方案实现了分子的三维形式的实现。

Dec, 2023

通过使用少样本学习的生成模型，结合分子动力学模拟方法，我们在可行的计算成本内获得了具有卓越性能的构象采样器。

Feb, 2024

本文介绍一种基于神经网络的 Boltzmann 生成器，以取代传统 molecular dynamics 方法，加速复杂大分子如蛋白质的能量表面探索。

Feb, 2023

本文提出了一种基于条件深度生成图神经网络的分子构像生成方法，可以在数据驱动的基础上直接学习生成符合能量有利的、更可能在实验中被观察到的分子构像，相较于传统力场方法生成的构像更加接近于参考构像，并且保持着几何多样性，可以提供传统力场方法的初始坐标。

Mar, 2019

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

本文利用不同种类的机器学习模型，研究并提高了分子动力学模拟的分辨率，证实双向 LSTM 模型是表现最好的模型，其能够在轨迹插值方面达到 10^-4 埃的精度，从而为更大系统的建立和更好的分子动力学积分器的构建奠定了基础。

Jan, 2022

本文介绍了一种新型的蛋白质构象采样方法，它使用基于分数的生成模型（SGMs）训练的多层分数函数直接采样构象，以弥补传统 MD 仿真过程中采样样本不足的问题，并通过在多个基准系统上进行比较，证明了该方法的有效性。

Jun, 2023