使用粗粒化分子模型和自回归去噪扩散概率模型，将全原子细节还原到粗粒化蛋白质表示中，从而实现了模拟大时标上发生的聚集和折叠等过程，并在不同蛋白质中实现了先进的重构性能。

Jul, 2023

本文提出了基于生成模型和等变网络的新方法，以恢复从粗粒度表示到原子层面的原子精确位置信息，并在分子动力学轨迹上进行了三个综合评估，结果表明，与现有数据驱动的方法相比，我们的方法始终能够以显着优势恢复更真实的结构。

Jan, 2022

提出了一种新颖的图去噪扩散模型，使用氨基酸替代矩阵对扩散过程进行编码，并在多种基准方法中实现了最先进的序列恢复性能，为特定的蛋白质骨架结构生成多样性的蛋白序列具有极大的潜力。

Jun, 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

本文提出了一种名为 Geodiff 的新型生成模型，它将分子中的每个原子视为粒子，并学习直接反向扩散过程来预测分子构象，通过 Markov 的方式进行建模，Markov 核通过维持等变性来实现不变性分布，实验表明，该方法在多个基准测试中优于或与现有的最先进方法相媲美。

Mar, 2022

使用生物物种信息和扩散模型的生成能力相结合，提出了一种名为 TaxDiff 的生物蛋白序列生成模型，实现了精确控制生成结构稳定蛋白的能力，并在多个蛋白序列生成基准测试中表现出更好的性能。

Feb, 2024

利用 E (3)- 等变图神经网络学习分布并通过 SMCDiff 有效地从大量的蛋白质背骨结构中对指定基序进行条件采样构造支架结构，可在保证结构多样性的情况下采样长达 80 个氨基酸残基长度的支架，同时对于固定的基序可获得多样性的构架结构。

Jun, 2022

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

本研究介绍了一种新的基于扩散的生成模型，通过模拟蛋白质的折叠过程，使用一系列连续角度来生成新的蛋白质骨架结构，通过简单的 transformer 骨干训练出高质量的蛋白质结构，并开源了对应的代码库和训练模型。

Sep, 2022

本文介绍了一种新颖的分子表示学习方法，通过将分子子图信息纳入扩散过程中，提升了分子表示学习的效果。实验结果表明，该方法在下游任务中具有更好的性能表现。

May, 2024