本文提出了一种基于 NOS 和 LaMBO-2 的蛋白质设计方法，使用离散扩散模型、编辑限制和多目标贝叶斯优化实现了高表达率和高亲和力抗体的优化设计。

May, 2023

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

本研究提出了一种潜在的扩散模型，该模型可以在凝聚的潜在空间中灵活捕捉天然蛋白质结构的分布，从而通过等变蛋白自编码器生成高可设计性和高效率的新型蛋白质骨架结构。

May, 2023

本文提出了一种名为 Geodiff 的新型生成模型，它将分子中的每个原子视为粒子，并学习直接反向扩散过程来预测分子构象，通过 Markov 的方式进行建模，Markov 核通过维持等变性来实现不变性分布，实验表明，该方法在多个基准测试中优于或与现有的最先进方法相媲美。

Mar, 2022

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

通过深度生成模型，特别是深度扩散模型，来合成 DNA 序列在合成生物学领域开辟了新的前景。我们提出了一种新颖的潜在扩散模型 (DiscDiff)，通过将离散 DNA 序列嵌入连续的潜在空间，使用自编码器来利用连续扩散模型强大的生成能力生成离散数据。此外，我们引入了一种新的度量标准 Frechet Reconstruction Distance (FReD)，用于衡量 DNA 序列生成结果的样本质量。我们的 DiscDiff 模型能够生成与真实 DNA 序列在 Motif 分布、潜在嵌入分布 (FReD) 和染色质剖面方面紧密相符的合成 DNA 序列。此外，我们还贡献了一个包含 15 个物种的 15 万个唯一启动子 - 基因序列的全面跨物种数据集，为未来基因组学中的生成建模工作提供丰富的资源。我们将在发表后公开我们的代码。

Oct, 2023

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

提出了一种新颖的图去噪扩散模型，使用氨基酸替代矩阵对扩散过程进行编码，并在多种基准方法中实现了最先进的序列恢复性能，为特定的蛋白质骨架结构生成多样性的蛋白序列具有极大的潜力。

Jun, 2023

通过生成模型和扩散模型，我们提出了一种新的反映蛋白质映射问题的方法，该方法能够在各种粗粒化模型和蛋白质之间实现通用性和可靠性，并在多种流行的粗粒化模型上展现出卓越的性能，为蛋白质研究提供了一种便捷而可靠的即插即用解决方案。

Oct, 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