具信息先验桥接的扩散式分子生成
本研究提出了一种 E(3) 等变扩散模型 (EDM)，该模型学习使用等变网络对包含连续（原子坐标）和分类特征（原子类型）两种特征的扩散过程进行去噪。同时，基于该模型提供了一种概率分析方法，可以计算出基于该模型生成的分子的似然。实验证明，相较于先前的 3D 分子生成方法，本研究提出的方法在样本的生成质量和训练效率方面显着优于其他方法。
Mar, 2022
利用基于蛋白质为环境约束的扩散模型，在非自回归的完整原子水平上，去噪元素类型和整个分子的三维坐标，学习生成过程，相较其他方法具有更高的相似性和更适当的分子大小以及其他药物性质。
Nov, 2022
本文提出一种新的分子数据生成模型，它将离散与连续的扩散过程相结合。 通过扩散过程的使用，可以捕获分子过程的概率性质，并探索不同因素对分子结构和性质的影响。 此外，文中还提出了一种新颖的图形变换器架构，用于去噪扩散过程，可以用于学习鲁棒的分子表示。 通过实验和与现有方法的比较，表明该模型能够生成更稳定和有效的分子，并具有良好的性能。 该模型为设计具有所需特性的分子提供了一种有前途的方法，并可应用于分子建模的广泛任务。
Apr, 2023
本研究提出了一种基于几何潜变扩散模型（GeoLDM）的新方法，通过在潜空间中运行扩散模型来生成分子的三维几何结构。该方法对生成大分子的有效百分比有7％的提升。
May, 2023
本研究提出了一种基于层次扩散的模型，通过分子的粗颗粒化、基于信息传递的解码过程和精细碎片的设计，以提高分子生成的质量，解决了分子3D非自回归生成的优化问题。
May, 2023
利用新的基于得分的方法生成分子，该方法使用神经网络学习从噪声分子的平滑分布到真实分子的分布的映射，然后采用采样噪声密度网格和修复噪声表格的步骤以生成简洁的分子。
Jun, 2023
提出了一种名为几何促进分子扩散（GFMDiff）的新型分子生成方法，通过引入双轨Transformer网络（DTN）和几何促进损失（GFLoss）解决了构成二元边和模型分子几何形状的多体间相互关系的建模问题。在现有基准上的全面实验证明了GFMDiff的优越性。
Jan, 2024
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
扩散模型在3D分子生成方面已经成为强大的工具，特别是在药物发现领域。这篇综述着重于定制3D分子生成的扩散模型的技术实现，比较了各种用于分子生成任务的扩散模型的性能、评估方法和实现细节，并探讨了扩散模型在药物设计以及与计算化学相关的领域的应用。
Jun, 2024