本文探讨如何使用深度学习方法 - 自动编码器，进行新型药物分子结构的设计，并通过搜索自动生成的 latent space, 生成预测活性的新化合物，并识别与训练集不同但具有相似效应的活性化合物。

Nov, 2017

该研究报告了一种将分子的离散表示转换为多维连续表示的方法，并使用深度神经网络构建了三个耦合函数，即编码器、解码器和预测器，以便从化合物的化学特性的连续向量表示中自动生成新的化合物，这种连续表示还允许使用强大的梯度优化方法有效地引导寻找优化的功能化合物。

Oct, 2016

本文提出一种将自动化化学设计概括为使用贝叶斯优化过程，其中包含使用变分自动编码器的潜在空间；进一步将搜索过程转化为约束贝叶斯优化问题，以解决一些根据潜在空间的变分自动编码器所引起的路径问题并且表明其可以在众多生成任务中使用。

Sep, 2017

本文提出了一种半监督变分自编码器模型，能够同时进行属性预测和分子生成，从而高效生成具有所需属性的新分子。我们从估计好的生成分布中进行采样以生成新的分子，并在药物样分子上证明了该模型的有效性、改进了属性预测的性能，并高效生成满足各种目标条件的新型分子。

Apr, 2018

提出了一种基于条件变分自编码器的分子生成模型，可以控制多个分子属性，生成具有五个目标属性的类药物分子，可以单独调整一个属性，将其操作超出数据集范围。

Jun, 2018

本文提出一种基于变分自编码的图结构模型，用于生成符合已有数据分布的化学分子结构，并通过实验数据分析表明该模型在分子生成任务上表现较好，同时使用合适的隐空间设计允许生成具备特定性质的分子。

May, 2018

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

本文介绍了一种新型的深度卷积神经网络结构，它通过在三维空间中顺序放置原子来生成分子平衡结构，该模型估计分子配置的联合概率，并演示了其可以在 C$_7$O$_2$H$_{10}$ 的同分异构体中生成接近平衡的分子。

Oct, 2018

将递归神经网络与卷积网络以层次化方式结合，可以从 SMILES 字符串中提取自回归信息并保持信号和长程依赖关系，从而实现了在重构已知分子时非常高的有效性率达到 95%。同时，我们观察到测试集和重构分子之间的平均 Tanimoto 相似性为 0.6，这表明我们的方法在使用类似方法的先前工作中比较有效地将 SMILES 字符串与其学习表示之间进行映射。

Jan, 2024

本篇论文提出了一种基于条件生成神经网络的三维分子结构的设计方法，该方法不依赖于化学键，并能针对特定分布生成新颖分子，同时能够逆向设计并发现稳定的分子，在多种电子性质方面提高了生成效能。

Sep, 2021