本研究提出了一种基于增强学习框架的新型前向合成模型 (PGFS)，可以解决化学分子结构的可合成性和合成路线问题，该模型可以为机器学习的药物设计提供一个有挑战性的基础测试平台。

Apr, 2020

本文提出了一种新颖的框架，名为 3D-MolGNN$_{RL}$，结合了强化学习和基于 3D 骨架的深层生成模型，在优化多个特征的同时，通过并行图神经网络模型自动构建具有特定蛋白质活性的靶向分子，以使药物研发中的分子设计更快更高效。

May, 2022

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

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

本文提出了一种新颖的基于强化学习的分子设计方式，使用笛卡尔坐标系来扩展分子结构类型，并利用快速量子化学方法对基本物理性质（如能量）进行直接奖励函数的构建。同时，引入了名为 MolGym 的强化学习环境，在该环境中针对多种具有挑战性的分子设计任务成功展开实验，并在此基础上，构建出一种翻译及旋转不变的状态空间，实现了从零开始的高效学习。

Feb, 2020

本研究采用创新的全新药物设计策略，利用语言模型的能力为特定蛋白质设计有针对性的药物。我们采用强化学习框架和近端策略优化对模型进行优化，获得生成适用于蛋白质靶点的药物的策略。通过融合药物 - 靶点相互作用和分子有效性的综合奖励函数，我们的方法经过强化学习的微调展现出很大的潜力，在分子有效性、相互作用效果和关键化学特性方面实现了显著的改进，分别达到了 65.37 的药物热似度定量评估（QED）、321.55 的分子量（MW）和 4.47 的辛醇 - 水分配系数 (logP)。此外，在生成的药物中，仅有 0.041% 没有新颖性。

May, 2024

提出了一种使用循环神经网络的新型去 novo 方法，用于大规模生成具有高口服生物利用度的药物分子，从而提高临床试验时间效率。

Dec, 2023

本文提出了一种基于强化学习框架的分层代理方法，能够在三维空间中逐步放置分子亚结构，从而高效地学习如何建造具有不同分布的分子，包括药物样分子、有机发光二极管分子和生物分子，只利用能量考虑即可。

Feb, 2022

通过引入一种基于演员 - 评论家强化学习的生成对抗网络 (GAN) ，称为 InstGAN，将独特的即时和全球奖励的方法用于在分子级别上进行多属性优化，以解决生成对抗网络和强化学习模型的训练不稳定和高计算成本的挑战，实验证明 InstGAN 在生成具有多属性优化的分子方面优于其他基线模型，并且性能可与最先进的模型相媲美，同时高效地生成分子。

Mar, 2024

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