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

该文介绍了遗传算法（GAs）在计算优化问题中的应用，以及在天文学和天体物理学中的实用性。

Feb, 2012

通过 Deep Genetic Molecular Modification Algorithm (DGMM)，将结构修饰引入药物化学家的水平，该算法利用离散变分自动编码器 (D-VAE) 将分子编码为量化编码 mol-gene，将深度学习与遗传算法相结合，用于灵活结构优化，以发现药理学上相似但在结构上有所区别的化合物并揭示药物发现中结构优化的权衡。我们在几个应用中验证了 DGMM 的有效性。

Jun, 2024

提出了一种基于遗传工程概念的新元启发算法 —— 遗传工程算法（GEA），通过重新设计传统遗传算法并引入新的搜索方法，以基于已有基因的选择来孤立、提纯、插入和表达新基因，从而产生具有所选基因的特定染色体，旨在解决遗传算法中的限制问题。与现有算法在基准实例上进行的比较评估表明，GEA 具有卓越的性能，展示了其作为组合优化问题的创新高效解决方案的潜力。

Sep, 2023

通过机器学习和分子模拟进行的自动设计已经表现出生成新的和有前途的新药物候选物的显着能力。本文提出了使用语法进化的一种新的基于群体的方法。在 thymidine 激酶的对接实验中，ChemGE 成功生成了数百个高亲和力的分子，其多样性优于 DUD-E 中已知的分子。

Apr, 2018

文献的主要内容是深度生成建模技术被应用于分子生成和优化，包括使用递归神经网络、自动编码器、生成对抗网络和强化学习等四种技术，并探讨了这些技术的数学基础和优缺点，内容涉及到分子表示和设计中的多个方面。

Mar, 2019

利用基于深度学习的分子生成加速药物候选物的发现的思想引起了极大关注，并开发了许多用于自动药物设计的深度生成模型，称为分子生成。其中，优化主导在实际药物设计中起着重要作用，我们对传统的计算机辅助药物设计方法进行了系统评述，将这些策略组织成了四个主要子任务，每个任务都有明确的输入和输出。此评述还探讨了基本概念、目标、传统 CADD 技术和 AIDD 的最新进展。此外，我们提出了一种基于受限子图生成的统一视角，以协调 de novo 设计和主导优化的方法。通过这种视角，de novo 设计可以融入主导优化的策略，以解决生成难以合成的分子的挑战；反之，主导优化可通过将其作为在特定次结构上生成分子的任务来受益于 de novo 设计的创新。

Apr, 2024

综述了机器学习和图学习在分子设计和药物发现中的应用，提出将这些方法分成三类，并总结了常用的评估指标和公共数据集。最后，从药品视角探讨了未来研究的挑战和方向。

Feb, 2022

新型深度学习算法在提高新药发现效率方面表现出色，但其缺乏可合成性的信息，导致其合成难度大幅上升，需要新算法的开发来加以解决。

Feb, 2020

本文介绍一种基因专家引导学习法（GEGL）的新框架，用于培训深度神经网络（DNN）生成高奖励分子，结果表明 GEGL 在优化中显著优于现有方法。

Jul, 2020