TrustMol: 通过与分子动力学对齐的可信逆向分子设计
通过提取三维特征和使用对比学习的方法,我们的研究提出了一种名为 3D-Mol 的新型三维结构分子建模方法,用于准确表示空间结构,并在 7 个基准测试中展示了出色的性能。
Sep, 2023
该论文提出一种基于自编码器和互信息机器学习的方法 MolMIM,用于小分子药物发现领域的分子生成和优化,并使用 CMA-ES 算法在 MolMIM 潜在空间中进行性质引导的分子优化任务,取得了优异的结果。
Aug, 2022
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
本研究介绍了一种基于深度神经网络的分子模拟方案 ——Deep Potential Molecular Dynamics(DeePMD)方法,能够在多种系统中高效、准确地预测原始数据,并且与系统规模呈线性比例。
Jul, 2017
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
通过一种多模态的大型语言模型 InstructMol,将分子结构与自然语言有效地对齐,通过一种指令调整方法,利用有限的领域特定数据与分子和文本信息相结合的两阶段训练策略,展示了在药物发现相关的分子任务上的显著性能改进,超过了领先的大型语言模型,并显著缩小了与专业模型之间的差距,从而为实现一个多才多艺、可靠的药物发现助手奠定了坚实的基础。
Nov, 2023
本研究提出了一种基于神经网络和自动编码器的分子生成模型 LIMO,通过在潜空间内生成化合物,结合物性预测网络,实现了高效的反向优化生成高亲和力药物。实验结果表明,LIMO 在药物发现领域具有巨大潜力。
Jun, 2022
MolIG 是一种多模态分子预训练框架,通过图像和图结构创新地利用分子图和分子图像之间的一致性和相关性执行自监督任务,有效地将两种分子表示形式的优势融合在一起,这种整体方法能够捕捉关键的分子结构特征和高层次的语义信息,并在分子拓展组和 ADMET 拓展组等基准组中,相对于先进的基线模型展现出在分子性质预测等拓展任务中性能的提升。
Nov, 2023
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