Sep, 2023

ChemSpaceAL：一种高效的应于蛋白质特异性分子生成的主动学习方法

PDF
TL;DR通过构建样本空间的表示，使用半监督主动学习方法来精细调整生成模型，使其针对目标函数进行优化，以在化学空间代理内实施，从而最大限度地增强生成的分子与蛋白质靶点之间的吸引相互作用。
generative artificial intelligence modelsdrug discoverysemi-supervised active learningfine-tuningmolecular generation
发现论文，激发创造
  • 简洁即美：主动学习中的化学空间采样

    我们基于主动学习算法，提出了一种全自动方法，用于生成分子能量的数据集，能够支持深度学习算法 ANI 在含有 CHNO 的有机分子的所有情况下实现精确的能量和力预测。

    Jan, 2018

  • 分子性质的机器学习：局部性和主动学习

    本篇论文提出了一种基于局部相互作用模型和主动学习算法的新型机器学习算法，可以在较小的训练集上提供高精度预测，并显著减少异常值误差，从而为材料设计和药物发现等领域提供更有效的高通量筛选方法。

    Sep, 2017

  • 面向物理的主动学习在加速量子化学模拟中的应用

    通过使用主动学习 (AL)，可以以经济的时间和资源投入及最少的人工干预构建具有鲁棒数据效率的潜力。实现了构建可靠的数据高效势能，并在牵引谱模拟、生化分子构象搜索和 Diels-Alder 反应的时间分辨机理研究中展示了该协议的多功能性。

    Apr, 2024

  • 使用有针对性的干预进行活跃因果学习，解码化学复杂性

    基于分子结构预测和增强固有性质对于医学、材料科学和环境管理中的设计任务至关重要，本研究介绍了一种主动学习方法，通过智能抽样和干预来辨识潜在的因果关系，以优化在未接触到的化学空间内的设计任务。

    Apr, 2024

  • 将生成型人工智能与主动学习框架相结合以优化药物设计

    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

  • 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

  • 利用深度神经网络增强遗传算法在化学空间探索

    该研究论文的主要研究方向包括优化、机器学习、化学等领域，研究了应用基于神经网络的强化学习算法的遗传算法来产生高效的有机物质，同时提出一种提高遗传算法可解释性的方法来获得设计原则。

    Sep, 2019

  • 基于大型语言模型的化学空间高效进化搜索

    融入大型语言模型的进化算法为分子发现问题的优化提供了一个优越性能的解决方案，通过重新设计进化算法的交叉和变异操作，利用大型化学信息语言模型进行大规模的实证研究，在单目标和多目标环境中，对于性能优化、分子重发现和基于结构的药物设计等多个任务表现出优于基线模型的优越性能，提高了最终解的质量和收敛速度，同时减少了所需的目标评估次数。

    Jun, 2024

  • 大规模预训练提高了基于主动学习的分子虚拟筛选的样本效率

    预训练的基于转换器的语言模型和图神经网络在贝叶斯优化主动学习框架中表现良好，仅通过筛选超大型库中的 0.6％，可以识别到排名前 50000 位化合物的 58.97％，与先前的最先进基准相比提高了 8％，在结构基础和配体基础药物发现中具有卓越的性能，可提高基于主动学习的分子虚拟筛选的准确性和样本效率。

    Sep, 2023

  • ChemTS: 一种高效的 Python 分子生成库

    该研究论文提出了一种新颖的 Python 库 ChemTS，该库通过结合 Monte Carlo Tree Search（MCTS）和递归神经网络（RNN）依据无预定化合物片段探索化学空间，实现有机材料的自动设计并获得了优于传统方法的高效率和准确度。

    Sep, 2017