通过结合与 OUD 相关的遗传变异和从 GPS 和 Wi-Fi 的时空坐标中提取的行为特征，估计 OUD 风险的实验性设计和计算方法显示出行为和遗传特征的整合改善了风险建模，从而有助于个性化临床决策的 OUD 风险估计。

Sep, 2023

该研究介绍了多个新的生成对抗网络模型，基于参数化量子电路与已知的生成对抗网络相结合，利用强化学习原理构建了一个新的多参数奖励函数。实验结果表明，这些模型在基准药物设计数据集 QM9 和 PC9 上表现优于以前的模型，尤其是在药物类似性定量估计方面提高了最多 30%。这些新的混合量子机器学习算法以及实现的药代动力学性质分数有助于快速准确的药物发现过程的发展。

Dec, 2023

本文介绍了一种基于序列的生成模型来设计分子的方法，通过增强情节似然性可以学习生成具有某些指定的理想特性的结构。将模型应用于生成类似物质结构，生成与药物 Celecoxib 类似的分子以及具有活性的化合物。最后，将模型调整为生成预测对多巴胺受体 2 具有活性的化合物，得到了 95% 以上的预测为活性的结构，其中包括实验证实的活性化合物。

Apr, 2017

本研究通过开发一种多功能的 “插件” 分子生成模型，结合多个目标相关性、药物相似性和可合成性，来解决多目标生成、模型适应性以及药物发现实际应用中的挑战。在药物发现的背景下，我们改进了粒子群优化算法（PSO），通过比较实验发现 PSO-ENP 是多目标分子生成和优化的最佳变体。该模型还整合了一种新颖的目标配体亲和力预测器，通过支持三维信息和改善合成可行性来提高模型的效用。实例研究聚焦于生成和优化类似药物的大型海洋天然产物，突显了 PSO-ENP 的有效性，并展示了其在实际药物发现应用中的巨大潜力。

Apr, 2024

研究表明 Generative AI 方法在药物研发领域有广泛应用，本论文开发了一种基于变分自编码器和主动学习步骤工作流程的 GM 方法，可以从分子指标学习，生成与特定靶点高度亲和的化学有效分子和新的不同于目标已知结构的分子，并开启了针对特定目标探索新化学领域的可能性。

May, 2023

利用基于深度学习的分子生成加速药物候选物的发现的思想引起了极大关注，并开发了许多用于自动药物设计的深度生成模型，称为分子生成。其中，优化主导在实际药物设计中起着重要作用，我们对传统的计算机辅助药物设计方法进行了系统评述，将这些策略组织成了四个主要子任务，每个任务都有明确的输入和输出。此评述还探讨了基本概念、目标、传统 CADD 技术和 AIDD 的最新进展。此外，我们提出了一种基于受限子图生成的统一视角，以协调 de novo 设计和主导优化的方法。通过这种视角，de novo 设计可以融入主导优化的策略，以解决生成难以合成的分子的挑战；反之，主导优化可通过将其作为在特定次结构上生成分子的任务来受益于 de novo 设计的创新。

Apr, 2024

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

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

近期，3D 生成模型在基于结构的药物设计中表现出了良好的性能，但仅建模目标配体分布难以实现药物发现的一个主要目标，即设计具有所需性质（如高结合亲和力、易合成等）的新型配体。本研究中，我们提出了 DecompOpt，这是一种基于可控分解扩散模型的基于结构的分子优化方法，通过优化和条件扩散模型相结合的新一代范式，实现所需性质以及保持分子语法。实验证明，DecompOpt 比强大的全新设计基准方法更有效地生成具有改善性质的分子，并在可控生成任务中显示出巨大潜力。

Mar, 2024

通过采用基于辅助扩散模型的框架，我们提出一种检测异常分子的方法，其中比较输入分子和重构图之间的相似性，并通过生成模型中的迭代去噪过程以有效量化匹配度，构建符合正常分子但远离异常分子的典型图，并使用高效可扩展的异常检测器，比较测试样本与预先构建的典型图之间的相似度并省略每个新分子的生成过程。

Apr, 2024