近期，3D 生成模型在基于结构的药物设计中表现出了良好的性能，但仅建模目标配体分布难以实现药物发现的一个主要目标，即设计具有所需性质（如高结合亲和力、易合成等）的新型配体。本研究中，我们提出了 DecompOpt，这是一种基于可控分解扩散模型的基于结构的分子优化方法，通过优化和条件扩散模型相结合的新一代范式，实现所需性质以及保持分子语法。实验证明，DecompOpt 比强大的全新设计基准方法更有效地生成具有改善性质的分子，并在可控生成任务中显示出巨大潜力。

Mar, 2024

基于结构的药物设计旨在生成与特定蛋白质靶点结合的三维配体分子。本研究提出了一种名为 Binding-Adaptive Diffusion Models (BindDM) 的新框架，通过自适应地提取负责蛋白质 - 配体相互作用的结合位点的关键部分，使用 SE (3)- 等变神经网络对所选的蛋白质 - 配体子复合物进行处理，并将其与复合物的每个原子传递回来，以在生成具有结合相互作用信息的面向目标的三维分子扩散时增强。实验证明 BindDM 能够生成具有更真实的三维结构和更高结合亲和力的分子，平均 Vina 得分高达 - 5.92，同时保持良好的分子属性。

Jan, 2024

使用机器学习方法建立了一个新颖的三维生成模型 DiffSBDD，用于设计小分子配体与指定蛋白质靶点高度亲和并具有特异性。 DiffSBDD 通过生成出新型具有高结合能量的药物配体，展现了显著的效率和多样性。

Oct, 2022

提出了一种名为 AliDiff 的新型通用对齐框架，该框架可以将预训练的目标扩散模型与所需的功能属性对齐，以优化化学物质的生成。经过实证研究，发现 AliDiff 可以生成具有最先进的结合能的分子，并且仍然具有强大的分子特性。

Jul, 2024

扩散模型在 3D 分子生成方面已经成为强大的工具，特别是在药物发现领域。这篇综述着重于定制 3D 分子生成的扩散模型的技术实现，比较了各种用于分子生成任务的扩散模型的性能、评估方法和实现细节，并探讨了扩散模型在药物设计以及与计算化学相关的领域的应用。

Jun, 2024

本研究通过将分子对接问题视为一种生成建模问题，实现了一个基于扩散过程的 DiffDock 模型，能够准确地预测小分子配体和蛋白质的结合结构，并在准确性和计算效率方面显著优于传统对接和深度学习方法。

Oct, 2022

通过基于结构的药物设计方法和自动生成模型 AUTODIFF，以及分子组装策略 conformal motif 和 SE (3)- 等变卷积网络，本研究在 CrossDocked2020 的大范围实验中显示，相较于现有模型，我们的方法在生成具有有效结构和构象的真实分子的同时，并保持较高的结合亲和力方面取得了更好的性能。

Apr, 2024

本研究基于 3D 等变扩散模型实现有标的分子设计，并提出了一种综合的评估框架来评估样本分子的质量，实验结果表明，该模型能够更好地生成具有更逼真的 3D 结构和更好的与蛋白靶点的亲和力，而且在不重新训练的情况下能够提高结合亲和力排名和预测质量。

Mar, 2023

该研究提出了基于支架的分子生成模型，应用于药物发现中，能够生成具有良好药理特性的药品候选物，并通过分子对接结果验证了该方法的可行性和准确性。

Aug, 2019

该研究旨在利用基于配体的药物设计方法，根据已知活性分子的相似形状，寻找新的药物候选化合物。通过开发一种称为 ShapeMol 的新型生成模型，该模型可以根据给定分子的形状生成 3D 分子结构。实验结果表明，ShapeMol 可以生成与给定形状条件相似的新型多样化的类似药物的分子，展示了 ShapeMol 在设计与蛋白靶点结合的具有期望的 3D 形状的药物候选化合物方面的潜力。

Aug, 2023