Apr, 2023

分子图结构共设计等变生成框架

PDF
TL;DR通过 MolCode 的 roto-translation equivariant 模型，结合 2D 拓扑和 3D 几何信息，不仅可以成功设计出 99.95% 有效性和 98.75% 独特性的分子结构，同时还能帮助发现高亲和力的小分子靶向药物。
machine learningmolecule designdrug discovery3d geometrymolcode
发现论文，激发创造
  • 通过等变扩散模型的形状条件下的三维分子生成

    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

  • 基于条件图生成模型的多目标新药设计

    本研究提出了一个新的基于顺序图生成器的分子设计框架，该方法比现有的图生成模型更适用于分子生成，并已扩大应用范围。使用条件图生成模型解决了多个药物设计问题，并取得了高效率的结果。

    Jan, 2018

  • 3DMolNet：分子结构生成网络

    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

  • 分子 - 基因进化驱动的人类水平分子优化

    通过 Deep Genetic Molecular Modification Algorithm (DGMM)，将结构修饰引入药物化学家的水平，该算法利用离散变分自动编码器 (D-VAE) 将分子编码为量化编码 mol-gene，将深度学习与遗传算法相结合，用于灵活结构优化，以发现药理学上相似但在结构上有所区别的化合物并揭示药物发现中结构优化的权衡。我们在几个应用中验证了 DGMM 的有效性。

    Jun, 2024

  • 条件生成神经网络逆向设计三维分子结构

    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

  • 3D-Mol: 分子属性预测的新型对比学习框架与三维信息

    通过提取三维特征和使用对比学习的方法，我们的研究提出了一种名为 3D-Mol 的新型三维结构分子建模方法，用于准确表示空间结构，并在 7 个基准测试中展示了出色的性能。

    Sep, 2023

  • 基于支架的分子设计使用图生成模型

    本研究提出了一种基于 scaffold 的分子生成模型，通过顺序添加顶点和边来生成分子图，可以在保证给定 scaffold 的同时控制生成分子的多种性质。

    May, 2019

  • MolGAN：一种小分子图隐式生成模型

    MolGAN 是一种基于图形结构数据的深度生成模型，旨在绕过化学结构的昂贵搜索程序，通过直接生成分子图来优化不同 iable 模型，结合强化学习目标，以鼓励特定化学属性的分子生产。

    May, 2018

  • 基於深度生成模型的條件分子設計

    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

  • Mol-CycleGAN - 分子优化的生成模型

    利用 Mol-CycleGAN，可以生成在结构上类似于原有分子的优化化合物，该模型在抗药物分子的罚函数 logP 优化中表现良好。

    Feb, 2019