本文引入了一种生成模型，旨在设计具有特定 3D 结构和化学性质的蛋白质，以实现特定的功能。通过实验数据全面学习，该模型可生成全原子骨架构象以及序列和侧链预测，实现了分子生成建模方法的显著扩大。

May, 2022

本研究提出了一种多模态对比扩散模型（MMCD），将序列和结构两种模态在扩散框架中融合，旨在共同生成新的多肽序列和结构。MMCD 通过构建序列模态和结构模态的扩散模型，并在每个扩散步骤中采用多模态对比学习策略，通过交叉对比和内部对比来捕捉两种模态之间的一致性，提高模型性能。广泛的实验表明，MMCD 在生成治疗性肽段方面优于其他最先进的深度生成方法，包括抗菌 / 抗癌评分、多样性和肽段对接等多个指标。

Dec, 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

我们提出了一种力导向的 SE (3) 扩散模型 ConfDiff，用于蛋白质构象的生成，该模型融合了力导向网络和基于数据的评分模型，能够生成具有多样性且高保真性的蛋白质构象。实验证明，我们的方法在多种蛋白质构象预测任务中优于现有方法。

Mar, 2024

本文提出了一种新的扩散模型来解决 3D 分子生成中的两大挑战，即缺乏分子间关系和探索不足，该模型表现明显优于现有方法。

Sep, 2022

MMDesign 是一个结合了先前结构模块和语境模块的预训练模型的新型蛋白质设计范式，利用自编码器（AE）语言模型将蛋白质序列的先验语义知识纳入其中，并引入了一种跨层跨模态对齐算法来确保结构模块学习到长期时间信息并保持结构和语境模态的一致性，在仅使用小规模 CATH 数据集进行训练的实验结果表明，我们的 MMDesign 框架在各种公共测试集上始终优于其他基线方法，并提出了系统性定量分析技术来评估生成的蛋白质序列和数据分布的生物可能性，以展示其可解释性并揭示蛋白质设计的规律。

Dec, 2023

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

该论文引入了一种用于 DNA 序列生成的新型框架，包括 DiscDiff，一种专门用于生成离散 DNA 序列的潜在扩散模型（LDM），和 Absorb-Escape，一种后期训练算法，用于优化这些序列。Absorb-Escape 通过纠正潜在和输入空间之间转换过程中固有的 ' 舍入误差 ' 来增强生成序列的真实性。我们的方法不仅在 DNA 序列生成方面树立了新的标准，而且在生成短 DNA 序列和长 DNA 序列方面表现出了优越性能。此外，我们还推出了 EPD-GenDNA，这是第一个综合性的多物种 DNA 生成数据集，包含来自 15 种物种的 160,000 个独特序列。我们希望这项研究能推动 DNA 的生成建模，对基因治疗和蛋白质生产可能产生影响。

Feb, 2024

本文提出了 DiffDTM，一种基于扩散模型的条件无结构深度生成模型，将蛋白质序列和分子图作为输入，生成针对特定双蛋白的药物，实现了一次条件样本生成。在多个评估指标方面优于现有技术模型， 可以轻松地应用于新的双蛋白目标，生成具有生物活性的分子。

Jun, 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