Dec, 2022

发现药物前导化合物的开放式统一深度图学习框架

PDF
TL;DR本篇论文提出了一种基于深度图学习的开放式管道：生成对抗特征子空间增强（GAFSE），该方法能够将药物发现的各个阶段统一到一个学习框架中，并通过对分类 / 回归损失、对抗 / 生成损失和重建损失进行多目标优化实现药物发现的高效性和产出性的增强。
lead discoverydrug discoverygraph learningmodular designcomputational
发现论文，激发创造
  • GraphGANFed: 面向高效药物发现的基于图结构分子的联邦生成框架

    本文提出了一种 GraphGANFed 框架，该框架将图形卷积神经网络（GCN）、生成对抗网络（GAN）和联邦学习（FL）作为整体系统来生成新的分子，而不共享本地数据集，实现了数据隐私的保护，并且在三个基准数据集上进行了广泛的模拟，证明了 GraphGANFed 的可行性和有效性。

    Apr, 2023

  • CADGL：基于上下文的深度图学习用于预测药物相互作用

    使用 CADGL 框架通过上下文感知的深度图学习来解决现有药物相互作用（DDI）预测模型在极端情况下的泛化问题、鲁棒特征提取问题和实际应用可能性问题。基于定制化的变分图自编码器（VGAE），我们从局部邻域和分子上下文两个不同角度的上下文预处理器中提取临界的结构和物理化学信息，并在异质图结构中进行特征提取。CADGL 超越了其他最先进的 DDI 预测模型，在预测临床上有价值的新型 DDIs 方面表现出色，并得到严格的案例研究支持。

    Mar, 2024

  • 动态目标感知片段的药物发现

    通过目标感知片段提取、片段组装和片段修改等三个模块，GEAM 分子生成框架在各种药物发现任务中有效地通过三个模块的生成循环来发现药物候选物。

    Oct, 2023

  • 用于药物发现的深度图生成模型可视化

    提出了一种可视化框架，用于可视化深度图形生成模型的编码和解码过程中生成的分子，并提供实时分子优化功能，这完善了黑盒子人工智能驱动的药物发现模型的可解释性。

    Jul, 2020

  • GraphAF: 分子图生成的基于流的自回归模型

    本文提出了一种基于流模型的自回归图生成模型，即 GraphAF。GraphAF 结合了自回归和基于流的方法优点，具有高模型灵活性、高效的并行计算以及迭代采样过程，能够在无化学规则的情况下生成 68% 的化学有效分子，并能利用化学领域知识进行价态检查。在应用强化学习进行目标性能优化的 fine-tuning 后，GraphAF 实现了化学性质优化和受约束性能优化两方面的最佳表现。

    Jan, 2020

  • 通过生成方法探索图表示学习中的任务合并

    提出了 GA^2E，一种统一的对抗性掩码自动编码器，能够在各种图任务中无缝应用，通过对抗训练机制确保图表示的稳健性。

    Mar, 2024

  • 将生成型人工智能与主动学习框架相结合以优化药物设计

    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

  • 关联和预测：基于结构的预测与联合优化的神经 DAG

    本研究提出了一个基于深度神经网络的框架，dGAP，通过同时学习神经依赖图和优化具有结构感知目标预测，来建立特征关系的模型，提高了预测的准确性，可以实现特征关系的解析，适用于多种数据集。

    Mar, 2021

  • SE-GSL: 通过结构熵优化实现通用且有效的图结构学习框架

    本文提出了一个名为 SE-GSL 的通用图结构学习框架，通过结构熵和在编码树中抽象的图层次来优化图结构的质量和可解释性，它对于各种图神经网络模型具有增强鲁棒性的作用。

    Mar, 2023

  • 使用强化学习学习如何导航合成可达的化学空间

    本研究提出了一种基于增强学习框架的新型前向合成模型 (PGFS)，可以解决化学分子结构的可合成性和合成路线问题，该模型可以为机器学习的药物设计提供一个有挑战性的基础测试平台。

    Apr, 2020