我们介绍了一种用于分子全新设计的 Transformer 基准生成模型的微调方法，利用 Transformer 相比循环神经网络 (RNNs) 的优越序列学习能力，我们的模型可以有效地生成具有期望属性的分子结构。与传统的基于 RNN 的模型相比，我们提出的方法在生成被预测为对多种生物目标活性化合物方面表现出优秀性能，捕捉分子结构序列中的长期依赖关系。通过生成查询结构的类似物和产生具有特定属性的化合物等多项任务的验证，我们的方法在性能上优于基准的基于 RNN 的方法。我们的方法可用于脱轴融合 (scaffold hopping)，从单个分子开始的库扩展，以及生成对生物目标具有高预测活性的化合物。

Oct, 2023

本研究提出了一个新的基于顺序图生成器的分子设计框架，该方法比现有的图生成模型更适用于分子生成，并已扩大应用范围。使用条件图生成模型解决了多个药物设计问题，并取得了高效率的结果。

Jan, 2018

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

本文介绍了一种基于序列的生成模型来设计分子的方法，通过增强情节似然性可以学习生成具有某些指定的理想特性的结构。将模型应用于生成类似物质结构，生成与药物 Celecoxib 类似的分子以及具有活性的化合物。最后，将模型调整为生成预测对多巴胺受体 2 具有活性的化合物，得到了 95% 以上的预测为活性的结构，其中包括实验证实的活性化合物。

Apr, 2017

本文提出了一种新的联合 2D 和 3D 扩散模型 (JODO)，它通过 Diffusion Graph Transformer 参数化数据预测模型，可以生成具有原子类型、形式电荷、键信息和 3D 坐标的完整分子，表现出色，具有逆向分子设计和分子图形生成的优越性能。

May, 2023

提出了用于药物反应预测的解耦双变压器结构，用于表示细胞系基因组和药品的结构，以解决 GNN 方法只能提取节点信息，传统 transformer 方法无法提取与节点之间的化学键相关的信息，以及 CNN 方法无法全局感知序列信息等问题，并在所有评估指标中优于当前主流方法。

Oct, 2022

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

本文提出了一种自我训练的迭代方法，该方法利用简单的属性预测模型来过滤候选结构，提高生成模型的预测效果，并在无条件和条件下的分子设计中均获得了显著的性能优势。

Feb, 2020

分子性质预测的研究中，我们提出了 SYN-FUSION，这是一种结合了来自图神经网络和 Transformer 的预训练特征的新方法，它提供了综合的分子表示，捕捉了全局分子结构和各个原子特征，实验证明其在 MoleculeNet 基准数据集上的卓越性能，优于以前的模型，在 5 个分类数据集和 6 个回归数据集中有优势，并且与其他 Graph-Transformer 模型相比，我们的方法在性能方面与其不相上下，进一步的分析验证了 SYN-FUSION 的有效性，消融实验无疑表明 SYN-FUSION 的协同效应超过了其各个模型组成部分和其集成模型，在预测分子性质方面有实质性的改进。

Aug, 2023

本文旨在提高有机合成中的反应预测的准确性，通过使用多头注意力分子变压器模型，能够在保持普适性的基础上，取得 90% 以上的前 1 准确率和 89% 的准确的不确定性估计得分，而无需手工制定规则。

Nov, 2018