ICLRMay, 2024

SynFlowNet: 朝着具备保证的合成途径的分子设计

PDF
TL;DR基于生成模型的分子生成模型在药物发现方面取得了突破。通过使用具有化学验证的反应和反应物的动作空间，SynFlowNet 模型能够构建具有合成可行性的新分子，并且在多样性和高效性方面表现出色。
generative modellingmolecular generation modelssynflownetsynthetically feasible moleculesdrug discovery
发现论文，激发创造
  • 可合成化分子生成的 GFlowNets

    通过在化学反应空间中操作，将生成模型扩展到小分子发现中，从而增加了搜索空间的大小，并保持候选分子生成的可合成性，同时对于预训练代理模型和 GPU 加速对接等多个 Oracle 模型都具有良好的表现。

    Jun, 2024

  • 生成模型提出的分子可合成性

    新型深度学习算法在提高新药发现效率方面表现出色，但其缺乏可合成性的信息，导致其合成难度大幅上升，需要新算法的开发来加以解决。

    Feb, 2020

  • 一种搜索可合成分子的模型

    本篇论文提出了一种新的分子生成模型，模拟了现实中的制备过程，可以通过选择初试反应物（从商业上可获得的分子池中选择），使用反应模型来预测它们之间的反应生成新的分子，同时可以考虑化合物的性质和合成路径的可行性，通过解决反合成问题，预测出一组可以产生目标产品的反应物。

    Jun, 2019

  • RetroGFN：基於 GFlowNets 的多樣且可行的反合成

    该研究提出了一种新颖的单步逆向合成模型 RetroGFN，通过在训练过程中利用一个可行性代理模型，可以探索有限数据集之外的可能反应，并返回多样的可行反应集合。实验证明 RetroGFN 在标准前 k 名准确率上具有竞争力，并在往返准确率方面优于现有方法。此外，提供了使用往返准确率的经验性论据，扩展了与标准前 k 名准确率指标相关的可行性概念。

    Jun, 2024

  • 基于几何信息的 GFlowNets 用于结构化药物设计

    利用生成流网络（GFlowNets）有效地探索药物样分子的组合空间，改进了 GFlowNet 框架，以增强生成特定蛋白质口袋的分子的能力，并通过使用 CrossDocked2020 数据集的实验证明了生成分子与蛋白质口袋之间的结合亲和力的提高，提出了进一步增加蛋白质 - 配体相互作用几何信息的未来研究方向。

    Jun, 2024

  • MoFlow：一种可逆流模型，用于生成分子图

    本研究提出了一种基于流的图生成模型 MoFlow，它具有准确和可追踪的似然训练、高效的一次嵌入和生成、化学有效性保证、对训练数据的 100% 重构以及较好的泛化能力，而且该模型在分子图生成、性质优化和受约束性质优化等四项任务中均表现最新的性能。

    Jun, 2020

  • 目标条件 GFlowNets 用于可控多目标分子设计

    本研究采用目标导向的分子生成算法探究多目标优化问题中 Pareto 前沿的整体性，并提出一种去除标量化策略的条件化模型用于均匀探索整个 Pareto 前沿。

    Jun, 2023

  • 用潜在流量导航化学空间

    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

  • 利用 GFlowNets 进行生物序列设计

    本文提出一种利用表观不确定性评估和最近提出的 GFlowNets 作为生成器的主动学习算法，旨在在每一轮后获得一批有用且信息量大的候选解，并在此基础上设计了新的生物序列设计任务模型，并对其进行了实验验证，在多个任务上取得了良好的效果。

    Mar, 2022

  • 利用流匹配与尺度最优传输进行高效的三维分子生成

    通过引入可伸缩的 E (3)- 等变消息传递体系结构 Semla 和使用流匹配训练的分子生成模型 MolFlow，本研究解决了当前 3D 药物设计中的慢速采样和生成化学有效分子的问题，并且提出了用于无条件分子生成器的新的基准度量方法，最终实验结果表明 MolFlow 显著提升了样本质量和性能。

    Jun, 2024