该论文证明了可以直接将自然语言处理方法应用于化学信息学的分类问题中，并通过SMILES化合物的标准文本表示考虑了这些看似不相关的领域之间的联系。研究了针对目标蛋白的活性预测问题，这是计算机辅助药物设计过程中的关键部分。实验结果表明，这种方法不仅能够超越手动制作表示结果的最高水平，还直接获得结构洞见以了解决策的制定方式。

Feb, 2016

使用 SMILES 枚举技术对分子 QSAR 数据集进行数据增强，使得神经网络训练表现得更好。该技术不仅适用于训练阶段，还能在预测阶段对结果进行进一步提升。

Mar, 2017

本文研究了SMILES2vec方法，即使用深度循环神经网络学习SMILES格式中的结构信息，预测多种化学性质，比传统方法更加准确和可解释。

Dec, 2017

本文介绍了一种基于SMILES Transformer 的分子指纹预测方法，该方法在虚拟筛选和其他药物发现任务中表现出优越性，在小数据集和复杂分析环境中表现良好。

Nov, 2019

本研究使用SMILES语法解析技术从SMILES中获取子结构的连接性和类型背景知识并将其注入转换器模型，从而提高了分子属性预测的性能。

Apr, 2022

通过研究 Transformer 模型在学习 SMILES 的化学结构上的进展与成效，结果表明Transformer模型学习分子的局部结构能力较强，但需要更长时间的训练才能理解整体结构和手性，这些发现有望深化化学领域中NLP模型的理解。

Mar, 2023

使用Gibbs-Duhem-informed神经网络结合矩阵完成方法预测二元活性系数，保持ML模型的灵活性并提升模型的热力学一致性和泛化能力。

May, 2023

AI用于药物发现是近年来的研究热点，基于SMILES的语言模型越来越多地应用于药物分子设计。本研究探讨了语言模型是否以及如何从1D序列中理解化学空间结构。我们在化学语言上对Transformer模型进行预训练，并朝向药物设计目标进行微调，研究高频SMILES子字符串与分子片段的对应关系。结果表明，语言模型可以从分子片段的角度理解化学结构，并且通过微调学到的结构知识反映在模型生成的高频SMILES子字符串中。

Jan, 2024

利用分子描述符和表示学习相结合的方法，通过结合概率机器学习文献中的期望最大化算法，自动检测并纠正基于结构的预测不可靠的情况，从而显著提高了对二元混合物中活度系数的预测准确性，展示了在物理化学性质预测中的潜力。

Jun, 2024

本研究解决了药物发现过程中，准确预测小分子药物的吸收、分布、代谢、排泄和毒性（ADMET）性状的数据需求高和资源消耗大的问题。提出的SMILES-Mamba模型通过自监督预训练与微调策略，展示了在22个ADMET数据集上优异的性能，尤其在14个任务中取得最高分，表明自监督学习在提升分子性质预测中的潜力。

Aug, 2024