本研究基于 3D 等变扩散模型实现有标的分子设计，并提出了一种综合的评估框架来评估样本分子的质量，实验结果表明，该模型能够更好地生成具有更逼真的 3D 结构和更好的与蛋白靶点的亲和力，而且在不重新训练的情况下能够提高结合亲和力排名和预测质量。

Mar, 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

使用机器学习方法建立了一个新颖的三维生成模型 DiffSBDD，用于设计小分子配体与指定蛋白质靶点高度亲和并具有特异性。 DiffSBDD 通过生成出新型具有高结合能量的药物配体，展现了显著的效率和多样性。

Oct, 2022

本文提出了 DiffLinker 方法，该方法采用 E (3)- 等变 3D - 条件扩散模型来设计分子链接剂，能够连接任意数量的分子碎片，自动确定链接剂中的原子数和其附着点，且在标准数据集上表现优异，能够成功生成与蛋白质袋口相一致的链接剂。

Oct, 2022

本研究提出了一种 E (3) 等变扩散模型 (EDM)，该模型学习使用等变网络对包含连续（原子坐标）和分类特征（原子类型）两种特征的扩散过程进行去噪。同时，基于该模型提供了一种概率分析方法，可以计算出基于该模型生成的分子的似然。实验证明，相较于先前的 3D 分子生成方法，本研究提出的方法在样本的生成质量和训练效率方面显着优于其他方法。

Mar, 2022

通过 MolCode 的 roto-translation equivariant 模型，结合 2D 拓扑和 3D 几何信息，不仅可以成功设计出 99.95% 有效性和 98.75% 独特性的分子结构，同时还能帮助发现高亲和力的小分子靶向药物。

Apr, 2023

基于结构的药物设计通过利用三维靶点结构的先验知识生成高亲和力配体。本研究提出了 MolEdit3D 方法，将三维分子生成与优化框架相结合，通过使用片段开发了一种新的三维图形编辑模型来生成分子，并在丰富的三维配体上进行了预训练，然后采用目标引导的自学习策略来改进与目标相关的性质。MolEdit3D 在大多数评估指标上达到了最先进水平，并且展示了对目标相关和目标无关性质的强大能力。

Feb, 2024

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

本文提出了一种新的基于深度学习的方法来生成可预测结合蛋白质的三维分子结构，对生成的分子进行了性质评估，并探索了生成模型的潜在空间，为利用深度学习从蛋白结构预测稳定的生物活性分子开启了新的可能性。

Oct, 2021

LDMol 是一种新颖的潜在扩散模型，能够实现自然语言条件下的分子生成，并通过对比学习策略来提取化学信息特征空间，不仅在文本到分子生成基准测试中超过现有基准，还能进行零样本推理和相关任务如分子到文本检索和以文本为驱动的分子编辑，展示了它作为扩散模型的通用性。

May, 2024