我们致力于自动化生成与特定蛋白质口袋靶点相匹配的药物样化合物。我们采用强化学习方法，提出了一种目标条件生成流网络（TacoGFN）模型，通过该模型可以生成具有所需属性的分子。我们还开发了基于 Transformer 的对接评分预测方法，用于加速对接评分计算，并使用几轮主动学习来改善对接评分预测。实验证明，使用 TacoGFN 及其变种生成的分子在每个特性（对接评分，QED，SA，Lipinski）上显著优于所有基准方法，并且速度快了数个数量级。

Oct, 2023

利用生成流网络（GFlowNets）有效地探索药物样分子的组合空间，改进了 GFlowNet 框架，以增强生成特定蛋白质口袋的分子的能力，并通过使用 CrossDocked2020 数据集的实验证明了生成分子与蛋白质口袋之间的结合亲和力的提高，提出了进一步增加蛋白质 - 配体相互作用几何信息的未来研究方向。

Jun, 2024

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

基于生成模型的分子生成模型在药物发现方面取得了突破。通过使用具有化学验证的反应和反应物的动作空间，SynFlowNet 模型能够构建具有合成可行性的新分子，并且在多样性和高效性方面表现出色。

May, 2024

本篇论文提出了一种新的 GFlowNet 变体，遗传引导 GFlowNet (Genetic GFN)，通过将迭代遗传搜索集成到 GFlowNet 中，有效地指导 GFlowNet 到高回报区域，解决全局过度探索导致训练效率低下和探索有限区域的问题。此方法在实际分子优化 (PMO) 的基准测试中达到了 16.213 的最高分数，明显优于报道的最佳分数 15.185，超过了 23 个任务中的所有基准线，包括强化学习、贝叶斯优化、生成模型、GFlowNets 和遗传算法。

Feb, 2024

本文提出一种利用表观不确定性评估和最近提出的 GFlowNets 作为生成器的主动学习算法，旨在在每一轮后获得一批有用且信息量大的候选解，并在此基础上设计了新的生物序列设计任务模型，并对其进行了实验验证，在多个任务上取得了良好的效果。

Mar, 2022

通过在化学反应空间中操作，将生成模型扩展到小分子发现中，从而增加了搜索空间的大小，并保持候选分子生成的可合成性，同时对于预训练代理模型和 GPU 加速对接等多个 Oracle 模型都具有良好的表现。

Jun, 2024

本文提出了利用 GFlowNets 与 Markov 决策过程相结合的方法，通过训练条件 GFlowNets 来采样解空间，并通过各种合成数据和真实数据模拟多种不同的组合问题。通过大量实验证明，GFlowNet 策略可以高效地找到高质量解。

May, 2023

该研究提出了图卷积策略网络 (GCPN) 作为一种通过强化学习进行目标导向图形生成的算法。该模型通过策略梯度来优化特定领域的奖励和对抗损失，并在包含特定领域规则的环境中执行。实验结果表明，GCPN 在化学性质优化上比现有技术基线提高了 61％，同时产生的分子类似已知分子， 在约束属性优化任务上实现了 184％的提高。

Jun, 2018

本文提出了一种基于 GFlowNet 的生成策略来生成对象的方法，该方法将生成过程视为一种流动网络，并将一组轨迹转换为流动，并将流动一致性方程转换为学习目标，以实现训练时的搜索成本，从而提高了性能和多样性。

Jun, 2021