该研究提出了一种基于对接的基准模型，用于评估设计药物分子的生成模型性能的局限性，并提出了一种基于简化评分函数的基准模型，以期望实现自动生成有前途的候选药物的目标。

Jun, 2020

通过整合发布的经验结构基于对接和序列基于深度学习模型，我们开发了一个元建模框架，多个元模型在结合输入特征多样性的情况下，显著提高了结合亲和力预测的准确性，从而节省了找药物的时间和费用。

Oct, 2023

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

构建精确大规模的分子表示数据集，通过深度学习模型为药物发现的人工智能领域提供准确可靠的基准。

Jun, 2024

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。

Feb, 2022

当前药物发现的生成模型主要使用分子对接来评估生成化合物的质量，但这种模型在实践中往往无用，因为即使具有较高对接分数的化合物也未必总是显示实验活性。我们提出了一种多保真度的方法，Multi-Fidelity Bind (MFBind)，以实现准确性和计算成本之间的最佳权衡。MFBind 整合了对接和结合自由能模拟器，使用主动学习训练了一个多保真度深度代理模型。我们的深度代理模型利用预训练技术和线性预测头部高效拟合少量高保真度数据。我们进行了大量实验，并表明 MFBind (1) 在代理模型中胜过其他最先进的单一和多保真度基线，并且 (2) 提高了生成模型的性能，生成了质量更高的化合物。

Feb, 2024

研究表明 Generative AI 方法在药物研发领域有广泛应用，本论文开发了一种基于变分自编码器和主动学习步骤工作流程的 GM 方法，可以从分子指标学习，生成与特定靶点高度亲和的化学有效分子和新的不同于目标已知结构的分子，并开启了针对特定目标探索新化学领域的可能性。

May, 2023

准确预测分子性质是药物发现中的一个具有挑战性但必不可少的任务。最近，多模态深度学习方法成功应用于分子性质预测，以克服传统单模态学习方法的局限性并提升模型在准确性、可靠性和抗噪性方面的表现。

Dec, 2023

本研究探讨了利用基于张量网络的生成模型在分子发现问题上的应用，并将其与其他模型进行了比较和评估，结果表明通过模型的组合可以取得更好的结果，提高了经典和量子 (- 启发式) 生成学习的统一性。

Apr, 2023

DOCKSTRING 是一款用于机器学习和药物开发的 Python 软件包，可以实现分子对接计算和降低对领域知识的需求。其包含了一个全面的数据集，方便实验多目标优化和迁移学习。基于分子对接评估结果可以帮助更好的设计药物候选物。

Oct, 2021