该论文提出了一种潜在提示 Transformer 模型，用于解决诸如分子设计等具有挑战性的优化问题，其目标是找到具有目标化学或生物特性优化数值的分子，可以通过现有软件进行计算。我们的模型由三个组成部分组成：(1) 潜在向量，其先验分布由高斯白噪声向量的 Unet 转换建模。(2) 分子生成模型，根据 (1) 中的潜在向量生成基于字符串的分子表示。我们采用因果 Transformer 模型，将 (1) 中的潜在向量作为提示。(3) 属性预测模型，根据 (1) 中的潜在向量上的非线性回归来预测分子的目标属性值。我们将所提出的模型称为潜在提示 Transformer 模型。在对现有分子及其属性值进行初始训练后，我们逐渐将模型分布转移到支持所需目标属性值的区域，以进行分子设计。我们的实验证明，我们提出的模型在几个基准分子设计任务上实现了最先进的性能。

Oct, 2023

本文提出了一种生成模型，基于能量模型（EBM）和分子生成模型、性质回归模型生成具有期望化学和生物性质的体小分子，并引入了逐步分布转移采样算法（SGDS），从而在训练的分子数据和性质的基础上，逐步将模型分布转移到具有期望性质的分子区域，取得了很好的实验效果。

Jun, 2023

针对计算药物发现中的目标分子设计问题，作者们提出了一种新的方法，该方法利用图卷积网络提取目标位点的特征，将离散化的化学物质嵌入到连续潜在空间中，并使用不同可微模型进行药效和配合作用等性质的优化，从而成功发现了具有潜在绑定性的新分子。

Sep, 2018

本研究通过开发一种多功能的 “插件” 分子生成模型，结合多个目标相关性、药物相似性和可合成性，来解决多目标生成、模型适应性以及药物发现实际应用中的挑战。在药物发现的背景下，我们改进了粒子群优化算法（PSO），通过比较实验发现 PSO-ENP 是多目标分子生成和优化的最佳变体。该模型还整合了一种新颖的目标配体亲和力预测器，通过支持三维信息和改善合成可行性来提高模型的效用。实例研究聚焦于生成和优化类似药物的大型海洋天然产物，突显了 PSO-ENP 的有效性，并展示了其在实际药物发现应用中的巨大潜力。

Apr, 2024

通过化学流动机制在分子生成模型的潜在空间中导航，提出了一种新的框架 ChemFlow，以遍历化学空间并实现在药物设计和材料发现方面的分子科学应用。

May, 2024

本文提出了一种多视图方法，将来自最先进化学模型的潜在空间进行结合，其中使用了基于 MHG-GNN 的嵌入（将分子结构表示为图形）和根植于化学语言的 MoLFormer 嵌入。我们通过在六个基准数据集上评估该方法，证明了我们所提出的多视图方法在预测临床试验药物毒性和抑制 HIV 复制等复杂任务上，优于现有的最先进方法，包括在 11 亿个分子上进行训练的 MoLFormer-XL。研究结果突显了潜在空间融合和特征整合在推进分子属性预测方面的潜力。

Oct, 2023

本文提出了一种基于结构耦合核的 BO 方法 LADDER，使用深度生成模型的潜在表示来优化组合空间，解决了传统 BO 方法中代理模型只利用深度生成模型学习的信息对黑盒函数进行近似的缺陷，并通过实验验证表现优越。

Nov, 2021

本文提出了一种基于机器学习和潜在空间的肽设计结构，称为 LSATC，通过优化轨迹来近似表示潜在空间中期望性质的肽分布。我们通过设计能够针对 Beta-catenin 的肽扩展来展示模型，结果表明相比于随机采样器，LSATC 在肽的可靠结合度和亲水性方面具有更好的性能，并且在选定的四个肽样本实验中，LSATC 设计出的肽均具有更好的 Beta-catenin 结合性能。

Feb, 2023

通过构建样本空间的表示，使用半监督主动学习方法来精细调整生成模型，使其针对目标函数进行优化，以在化学空间代理内实施，从而最大限度地增强生成的分子与蛋白质靶点之间的吸引相互作用。

Sep, 2023

该研究提出了一种新的分子表示学习框架，通过首次编码然后分离的策略在潜空间中识别有不变性和鲁棒性的分子特征，以实现对分布转换的更强的泛化能力，通过自监督学习目标鼓励精确不变性识别，适用于各种任务，如回归和多标签分类。

Oct, 2023