Jun, 2023

通过潜空间能量建模与逐步分布转移的分子设计

PDF
TL;DR本文提出了一种生成模型，基于能量模型（EBM）和分子生成模型、性质回归模型生成具有期望化学和生物性质的体小分子，并引入了逐步分布转移采样算法（SGDS），从而在训练的分子数据和性质的基础上，逐步将模型分布转移到具有期望性质的分子区域，取得了很好的实验效果。
drug discoverygenerative modelenergy-based modelproperty regressionsampling algorithm
发现论文，激发创造
  • 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

  • 用于基于结构药物设计的三维生成模型

    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

  • DiffBP: 用于靶向蛋白结合的三维分子生成扩散

    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

  • 针对性治疗设计的潜在分子优化

    针对计算药物发现中的目标分子设计问题，作者们提出了一种新的方法，该方法利用图卷积网络提取目标位点的特征，将离散化的化学物质嵌入到连续潜在空间中，并使用不同可微模型进行药效和配合作用等性质的优化，从而成功发现了具有潜在绑定性的新分子。

    Sep, 2018

  • 可解释文本建模的潜在扩散基于能量模型

    该论文提出了一种新的基于扩散模型与潜空间 EBM 的符号学方法，该方法结合了基于几何聚类的正则化与信息瓶颈，从而在解释性文本建模方面表现出比强大对手更优异的性能。

    Jun, 2022

  • 药物分子构型的物理知识生成模型

    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

  • MDM: 用于 3D 分子生成的分子扩散模型

    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

  • TAGMol: 目标感知梯度引导的分子生成

    3D 生成模型在结构基药物设计中表现出显著的潜力，尤其在发现适应特定靶点结合位点的配体方面。TAGMol 是一个综合的药物生成框架，通过将问题分解为分子生成和特性预测，并通过引导扩散采样过程来实现生成具有所需特性的有意义的分子。在基准数据集上进行的实验证明，TAGMol 相对于现有先进算法具有优越性能，在平均 Vina 分数上提高了 22％，并在重要辅助属性方面取得了良好的结果。

    Jun, 2024

  • 双空间优化：潜在提示变换提升分子序列设计

    通过引入 Dual-Space Optimization (DSO) 方法，结合了潜空间采样和数据空间选择来解决分子设计中的难题，本文提出的生成模型采用潜在提示变换器（LPT）的形式，通过优化过程逐渐实现生成模型和合成数据朝着期望的属性值区域移动，并在单目标、多目标和受限分子设计任务中创造了新的性能基准。

    Feb, 2024

  • 基于能量模型的分子图生成

    本研究发现大多数现有的分子图生成方法在保证排列不变性方面存在困难，可能导致在生成模型中存在意外偏差。通过提出的 GraphEBM，我们可以使用基于能量的模型生成分子图，通过能函数的参数确定在排列不变性上，使 GraphEBM 较好地满足了这一特点。同时，我们还应用 Langevin 动力学训练能量函数，生成具有低能量的样本。最后，我们尝试了一种简单而有效的方法，用于生成具有所需性质的分子。此外，我们还探讨了如何使用 GraphEBM 组合地生成具有多个目标的分子，并通过各种实验验证了我们提出的算法的有效性。

    Jan, 2021