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

该研究旨在利用基于配体的药物设计方法，根据已知活性分子的相似形状，寻找新的药物候选化合物。通过开发一种称为 ShapeMol 的新型生成模型，该模型可以根据给定分子的形状生成 3D 分子结构。实验结果表明，ShapeMol 可以生成与给定形状条件相似的新型多样化的类似药物的分子，展示了 ShapeMol 在设计与蛋白靶点结合的具有期望的 3D 形状的药物候选化合物方面的潜力。

Aug, 2023

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

深度生成扩散模型在材料科学和药物发现中是一种有前途的新途径。然而，它们的效用仍受到大分子结构和有限的训练数据的限制。本研究通过对连续和离散状态空间的相互作用进行广泛的比较分析，探索了 E (3) 等变扩散模型的设计空间并提出了 EQGAT-diff 模型。该模型在 QM9 和 GEOM-Drugs 数据集上的表现显著优于现有模型，并通过引入连续原子位置、分类化学元素和键类型，并采用时间依赖的损失加权，显著提高了训练收敛性和生成样本的质量。我们还研究了将在 PubChem3D 数据集上针对隐式氢训练的 EQGAT-diff 模型迁移到具有显式氢的目标分布的可行性，并通过若干迭代的微调进一步推动数据集上的最新性能。本研究的发现有望在基于结构的药物设计中应用，尤其对于复杂分子的小数据集的生成模型的准确性至关重要。

Sep, 2023

本文提出了一种新的扩散模型来解决 3D 分子生成中的两大挑战，即缺乏分子间关系和探索不足，该模型表现明显优于现有方法。

Sep, 2022

本文提出了 DiffLinker 方法，该方法采用 E (3)- 等变 3D - 条件扩散模型来设计分子链接剂，能够连接任意数量的分子碎片，自动确定链接剂中的原子数和其附着点，且在标准数据集上表现优异，能够成功生成与蛋白质袋口相一致的链接剂。

Oct, 2022

使用机器学习方法建立了一个新颖的三维生成模型 DiffSBDD，用于设计小分子配体与指定蛋白质靶点高度亲和并具有特异性。 DiffSBDD 通过生成出新型具有高结合能量的药物配体，展现了显著的效率和多样性。

Oct, 2022

本文提出了一种生成指定蛋白质结合位点分子的 3D 生成模型，可应用于结构基因设计任务，通过学习原子的概率密度分布并提出自回归采样策略，实现了生成有效和多样性分子的能力，在实验结果中表现出较高的亲和力和良好的药物特性。

Mar, 2022

通过基于结构的药物设计方法和自动生成模型 AUTODIFF，以及分子组装策略 conformal motif 和 SE (3)- 等变卷积网络，本研究在 CrossDocked2020 的大范围实验中显示，相较于现有模型，我们的方法在生成具有有效结构和构象的真实分子的同时，并保持较高的结合亲和力方面取得了更好的性能。

Apr, 2024

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