该论文介绍了 AutoFragDiff，一种基于片段的自回归扩散模型，用于生成以目标蛋白质结构为条件的 3D 分子结构。我们使用几何矢量感知器预测新的分子片段的原子类型和空间坐标，以分子支架和蛋白质口袋为条件。我们的方法改善了生成的 3D 分子的局部几何性质，同时保持了对蛋白质靶标的高预测结合亲和力。该模型还能够从用户提供的起始分子支架进行扩展。

Dec, 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

提出了一种名为几何促进分子扩散（GFMDiff）的新型分子生成方法，通过引入双轨 Transformer 网络（DTN）和几何促进损失（GFLoss）解决了构成二元边和模型分子几何形状的多体间相互关系的建模问题。在现有基准上的全面实验证明了 GFMDiff 的优越性。

Jan, 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

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

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

深度生成扩散模型在材料科学和药物发现中是一种有前途的新途径。然而，它们的效用仍受到大分子结构和有限的训练数据的限制。本研究通过对连续和离散状态空间的相互作用进行广泛的比较分析，探索了 E (3) 等变扩散模型的设计空间并提出了 EQGAT-diff 模型。该模型在 QM9 和 GEOM-Drugs 数据集上的表现显著优于现有模型，并通过引入连续原子位置、分类化学元素和键类型，并采用时间依赖的损失加权，显著提高了训练收敛性和生成样本的质量。我们还研究了将在 PubChem3D 数据集上针对隐式氢训练的 EQGAT-diff 模型迁移到具有显式氢的目标分布的可行性，并通过若干迭代的微调进一步推动数据集上的最新性能。本研究的发现有望在基于结构的药物设计中应用，尤其对于复杂分子的小数据集的生成模型的准确性至关重要。

Sep, 2023

本文提出了一种基于口袋的三维分子生成方法，利用具有生成 3D 坐标能力的语言模型，并设计了扰动复原预训练任务，介绍了一种新的分子表示方法，并利用 CrossDocked 和 DUD-E 数据集对其进行了评估。该方法在几乎所有指标上实现了最优的表现，特别是在结合模式、药物性质、合理构型和推理速度方面。

May, 2023

基于扩散的生成模型，通过深度学习从大规模训练集中推断原子类型和几何参数，以取得高精度的键合参数，超过传统的基于知识的方法，并与实验结构进行比较。

Feb, 2024

本文提出了一种生成指定蛋白质结合位点分子的 3D 生成模型，可应用于结构基因设计任务，通过学习原子的概率密度分布并提出自回归采样策略，实现了生成有效和多样性分子的能力，在实验结果中表现出较高的亲和力和良好的药物特性。

Mar, 2022