Nov, 2023

STRIDE: 分子逆向设计的结构引导生成

PDF
TL;DR通过已有的分子引导，我们提出了一个新的生成分子工作流 $ extbf {STRIDE}$，可以在没有重新训练的情况下，生成 [新的分子]，这对于具有结构相似性的小数据集是特别有用的。
machine learningdeep learningmolecule designmaterials designgenerative modeling
发现论文，激发创造
  • 可微脚手架树用于分子优化

    提出差分可伸展树（DST）模型，基于学习知识网络将离散化化学结构转化为局部可微分的结构，并通过图神经网络（GNN）反向传播导数，实现了化学图结构的基于梯度的优化，且优化结果具有有效性和样本效率，并且学习到的图形参数可以提供有助于领域专家理解模型输出的解释。

    Sep, 2021

  • 深度引导优化：利用生成人工智能进行结构修改

    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

  • 学习使用结构基元扩展分子支架

    本文提出了一种基于图形的 MoLeR 模型，支持框架作为初始生成过程的种子，能够在没有生成历史的条件下快速训练和采样，而且在定向分子优化任务上表现优异。

    Mar, 2021

  • 深度强化学习用于 De-Novo 药物设计

    该论文提出了一种新的计算策略，名为 ReLeaSE（增强学习结构进化），通过深度学习和强化学习的方法，利用生成模型和预测模型生成具有预设属性的新型化合物库，此方法可用于生成具有单一或多个属性的有针对性的化合物库。

    Nov, 2017

  • 使用可解释子结构的多目标分子生成

    该研究提出了一种分子繁殖算法，可以帮助药物开发人员用于发现新的具有指定化学特性轮廓的化合物，提高了生成化合物的准确性、多样性和新颖性。

    Feb, 2020

  • 生成模型提出的分子可合成性

    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

  • 条件生成神经网络逆向设计三维分子结构

    本篇论文提出了一种基于条件生成神经网络的三维分子结构的设计方法，该方法不依赖于化学键，并能针对特定分布生成新颖分子，同时能够逆向设计并发现稳定的分子，在多种电子性质方面提高了生成效能。

    Sep, 2021

  • 基于结构的药物设计：3D 分子生成预训练与采样

    基于结构的药物设计通过利用三维靶点结构的先验知识生成高亲和力配体。本研究提出了 MolEdit3D 方法，将三维分子生成与优化框架相结合，通过使用片段开发了一种新的三维图形编辑模型来生成分子，并在丰富的三维配体上进行了预训练，然后采用目标引导的自学习策略来改进与目标相关的性质。MolEdit3D 在大多数评估指标上达到了最先进水平，并且展示了对目标相关和目标无关性质的强大能力。

    Feb, 2024

  • 深度强化学习的分子全新设计

    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

  • 深度分子生成：基于逆向机器学习的全新分子设计与可解释性

    基于 SELFIES，该论文提出了 PASITHEA，一种直接基于梯度的分子优化方法，应用计算机视觉中的 inceptionism 技术，通过建立一个逆回归模型来生成优化某一属性的分子变异体。

    Dec, 2020