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

本文提出一种新的分子数据生成模型，它将离散与连续的扩散过程相结合。 通过扩散过程的使用，可以捕获分子过程的概率性质，并探索不同因素对分子结构和性质的影响。 此外，文中还提出了一种新颖的图形变换器架构，用于去噪扩散过程，可以用于学习鲁棒的分子表示。 通过实验和与现有方法的比较，表明该模型能够生成更稳定和有效的分子，并具有良好的性能。 该模型为设计具有所需特性的分子提供了一种有前途的方法，并可应用于分子建模的广泛任务。

Apr, 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

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

本文提出了一种新的联合 2D 和 3D 扩散模型 (JODO)，它通过 Diffusion Graph Transformer 参数化数据预测模型，可以生成具有原子类型、形式电荷、键信息和 3D 坐标的完整分子，表现出色，具有逆向分子设计和分子图形生成的优越性能。

May, 2023

LDMol 是一种新颖的潜在扩散模型，能够实现自然语言条件下的分子生成，并通过对比学习策略来提取化学信息特征空间，不仅在文本到分子生成基准测试中超过现有基准，还能进行零样本推理和相关任务如分子到文本检索和以文本为驱动的分子编辑，展示了它作为扩散模型的通用性。

May, 2024

使用 3M-Diffusion 方法，可以根据给定的文本描述生成与之语义匹配的，高质量、新颖、多样化的分子图。

Mar, 2024

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

本研究基于 3D 等变扩散模型实现有标的分子设计，并提出了一种综合的评估框架来评估样本分子的质量，实验结果表明，该模型能够更好地生成具有更逼真的 3D 结构和更好的与蛋白靶点的亲和力，而且在不重新训练的情况下能够提高结合亲和力排名和预测质量。

Mar, 2023

本文介绍了一种生成具有理想属性的分子的新方法，该方法通过在分子和分子片段上执行扩散来获取混合高斯分布，并使用新颖的基于电子效应的分解方法优化多个分子属性，从而在人工智能驱动的药物设计和发现方面具有重要的应用前景。

Oct, 2023