本研究针对变分自编码器（VAEs）的效率和各种假设，提出了新的 VAE 增强方案，该方案不需要任何超参数或敏感调整，并且与多种 GAN 模型竞争时，能产生清晰的样本和稳定的 FID 分数。

Mar, 2019

本研究论文介绍了使用 Gaussian mixture variational autoencoder（GMVAE）进行分子模拟数据的降维和聚类，以及其在构建 Markov 状态模型方面的潜在应用。

Dec, 2019

该研究基于变分自动编码器提出了两种深度生成模型，学习基因状态的潜在表示，以提高药物响应预测的准确性。结果表明，该模型可在 AUROC 和 AUPR 方面超过先前发表的研究，同时发现更好的重构准确性并不一定导致分类准确性的提高，联合训练模型表现更好。

Jun, 2017

使用多段式 VAE 模型生成高品质图像，通过使用残差块和跳跃连接来增加解码器网络的容量，并使其能够使用多段式生成精细的图像。

May, 2017

这项研究提出了通过结构和参数优化将 Transformer 和 VAE 两种模型相结合的方法，以处理多样化的分子。该模型在生成分子方面表现出与现有模型相当的性能，并且在生成未见结构的分子方面表现出远超卓越的性能。此研究通过 VAE 的潜在表示成功预测了分子性质。消融研究表明 VAE 在生成新型分子方面具有优势，分子可以用比现有描述符和模型小得多的～32 个维度变量进行描述。该研究有望提供一个包含各种化合物的虚拟化学库，以进行虚拟筛选并实现高效筛选。

Feb, 2024

该研究提出了一种基于属性引导变分自编码器的模型优化技术来设计具有期望性质的蛋白序列，并在实验与半合成蛋白质数据集上进行了全面的基准测试，表明该技术具有鲁棒性，能够有效地应对实验结果不够均衡的问题。

May, 2023

本文提出了一种新的分子深度生成模型，该模型在概率潜变量中加入分层结构，并能通过小数据集实现有效的分子潜在向量设计和物性预测。

Jul, 2023

提出了一种基于条件变分自编码器的分子生成模型，可以控制多个分子属性，生成具有五个目标属性的类药物分子，可以单独调整一个属性，将其操作超出数据集范围。

Jun, 2018

我们提出了一种基于变分自编码器 (VAE) 的模型，用于构建前向和逆向的结构 - 性质联系，这是计算材料科学中至关重要的问题。我们的模型通过一个双层先验条件于回归变量来系统地结合 VAE 和回归模型。回归损失与变分自编码器的重构损失一起进行优化，学习与属性预测和重构相关的微观结构特征。该模型可以用于前向和逆向预测，即预测给定微观结构的属性以及预测获取给定属性所需的微观结构。由于逆向问题存在不适定性（多对一关系），我们使用多模态高斯混合先验导出了目标函数，使模型能够推断出多个适用于一组目标属性的微观结构。我们显示，在前向预测方面，我们的模型与最先进的仅前向模型一样准确。此外，我们的方法实现了直接逆向推断。我们表明，使用我们的模型推断的微观结构能够相当准确地实现所需的属性，避免了昂贵的优化过程。

Feb, 2024

这篇研究论文介绍了一种名为 TargetVAE 的目标感知变分自编码器，它能够根据蛋白质目标，通过使用基于图变换器的新颖多模态深度神经网络作为生成模型的先验，产生具有高结合亲和力的配体，从而在药物发现中减小潜在药物候选的搜索空间。

Aug, 2023