May, 2023

基于属性导向的生成建模技术，用于不平衡数据下的鲁棒模型设计

PDF
TL;DR该研究提出了一种基于属性引导变分自编码器的模型优化技术来设计具有期望性质的蛋白序列，并在实验与半合成蛋白质数据集上进行了全面的基准测试，表明该技术具有鲁棒性，能够有效地应对实验结果不够均衡的问题。
发现论文，激发创造
  • 利用多阶段 VAE 对分子特性进行客观性不明的增强

    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

  • 使用高斯混合变分自编码器从分子模拟中生成可解释的嵌入

    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

  • 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

  • PG-LBO：通过伪标签和高斯过程引导增强高维贝叶斯优化

    基于变分自编码器的贝叶斯优化（VAE-BO）在处理高维结构化优化问题方面表现出出色的性能。我们提出了一种新颖的方法，通过利用无标签数据的引导，来有效地利用无标签数据与有标签数据进行训练，从而增强鉴别性潜空间的构建。本文中的方法在各种优化场景中胜过现有的 VAE-BO 算法。

    Dec, 2023

  • 基于不确定性指导下的变分自编码器精细调优强化生成分子设计

    通过性能反馈在主动学习环境中，我们提出了一种预先训练的变分自动编码器 (VAE) 基因设计模型的模型不确定性引导微调的新方法，通过量化生成模型中的模型不确定性，扩展了有效分子的空间，并利用多样性解码器探索生成优化的多个高性能模型，实验结果表明，我们的不确定性引导微调方法在六个目标分子属性上始终优于原始预训练模型。

    May, 2024

  • 分子超图文法及其在分子优化中的应用

    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

  • 蛋白质序列的变分自编码

    使用变分自编码器对天然蛋白序列进行嵌入，以预测突变对蛋白质功能的影响，并可用于计算引导蛋白质序列空间的探索和更好地指导有理和自动蛋白质设计。

    Dec, 2017

  • PropEn 引导的隐式设计：匹配数据以跟随梯度

    通过匹配每个样本与一个具有更好属性值的相似样本，我们提出了一个新的 PropEn 框架，用于在有限数据和复杂景观下进行领域不可知的生成框架，以实现属性增强和有效的设计优化。通过玩具问题和科学应用的广泛评估，包括治疗蛋白质设计和翼型优化，证明了 PropEn 相对于常见基线方法的优势，蛋白质设计结果通过湿实验验证了我们方法的竞争力和有效性。

    May, 2024

  • 基于条件变分自编码器的分子生成模型，用于新型分子设计

    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

  • 蛋白质折叠模拟的几何解耦表示学习

    利用生成型神经网络学习药物靶标蛋白结构的结构集合，以便于更好的理解药物机理和发展治疗方法，同时通过蛋白几何自编码器模型在蛋白质的内在和外在几何学上进行分离编码，快速生成蛋白质构象的方案。

    May, 2022