本文提出了一种适用于分子结构的、特别设计了多项技术创新的变分自编码器,并发展了一个梯度优化算法用于优化其生成分子的能力,实验结果表明该模型比多种现有模型更能够有效地发现合理、多样且新颖的分子。
Feb, 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
通过强化学习解码潜在嵌入中的分子图的图与图变分自编码器 RL-VAE, 基于简单的图生成器实现了对分子图的高效解码和生成。
Apr, 2019
本文提出了 RGCVAE 方法,使用关系图同构网络进行编码,使用新的概率解码组件进行解码,即可在训练时间显著减少的情况下,展现出与几种最先进的熵编码自编码器相媲美的分子生成性能。
May, 2023
本文提出一种基于变分自编码器的方法,通过直接输出预先定义大小的概率性的全连接图来解决学习图嵌入任务中的线性化困境,并在分子生成任务中进行了评估。
本论文提出了一种结合了变分自动编码器和基于变压器模型的图卷积和图池化层的方法,直接对图进行操作,能够生成具有可解释特性的潜空间和有效生成分子的模型。
Apr, 2021
本研究论文介绍了使用 Gaussian mixture variational autoencoder(GMVAE)进行分子模拟数据的降维和聚类,以及其在构建 Markov 状态模型方面的潜在应用。
Dec, 2019
本文提出了一种新的分子深度生成模型,该模型在概率潜变量中加入分层结构,并能通过小数据集实现有效的分子潜在向量设计和物性预测。
Jul, 2023
本文介绍一种新的分子超图文法变分自编码器 (MHG-VAE),通过使用一个单一的 VAE 结合基于贝叶斯优化的技术,利用分子超图文法编码硬化学限制来指导 VAE 生成有效的分子,以解决分子优化中的两大挑战:有效性和成本效益。
Sep, 2018
将多阶段 VAE 方法应用于药物发现领域,改善低维流形恢复,提高生成分子的性质统计性能,不需要纳入性质预测器到训练流程中。
Aug, 2023