本文介绍了一种基于序列的生成模型来设计分子的方法，通过增强情节似然性可以学习生成具有某些指定的理想特性的结构。将模型应用于生成类似物质结构，生成与药物 Celecoxib 类似的分子以及具有活性的化合物。最后，将模型调整为生成预测对多巴胺受体 2 具有活性的化合物，得到了 95% 以上的预测为活性的结构，其中包括实验证实的活性化合物。

Apr, 2017

该论文提出了一种新的计算策略，名为 ReLeaSE（增强学习结构进化），通过深度学习和强化学习的方法，利用生成模型和预测模型生成具有预设属性的新型化合物库，此方法可用于生成具有单一或多个属性的有针对性的化合物库。

Nov, 2017

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

本文提出了一种新颖的框架，名为 3D-MolGNN$_{RL}$，结合了强化学习和基于 3D 骨架的深层生成模型，在优化多个特征的同时，通过并行图神经网络模型自动构建具有特定蛋白质活性的靶向分子，以使药物研发中的分子设计更快更高效。

May, 2022

本文提出了一种新的基于深度学习的方法来生成可预测结合蛋白质的三维分子结构，对生成的分子进行了性质评估，并探索了生成模型的潜在空间，为利用深度学习从蛋白结构预测稳定的生物活性分子开启了新的可能性。

Oct, 2021

本研究提出了一种基于 deep learning 的药物分子与蛋白质结合位置的直接预测方法，可应用于快速虚拟筛查或制药工程，与传统方法相比，具有更高的速度和更好的质量，并提出了一种快速的微调模型来解决以往能量最小化所采用的昂贵差分进化策略。

Feb, 2022

利用 AlphaZero 在蛋白质主链设计中的应用，展示了其出色的性能，不仅显著超越了现有方法，在蛋白质主链设计任务中提高了 100% 以上，而且通过引入次要目标，还揭示了更多有前景的结果，显示了模型驱动的强化学习在蛋白质设计的精确和微妙方面的潜力。

May, 2024

通过挖掘酶数据库中的功能性重要位点和底物来生成酶的氨基酸序列和三维坐标，EnzyGen 提出了一种学习酶设计统一模型的方法，实验结果表明，EnzyGen 在设计与特定底物具有高亲和力的酶方面具有卓越能力。

May, 2024

本文提出了一种生成指定蛋白质结合位点分子的 3D 生成模型，可应用于结构基因设计任务，通过学习原子的概率密度分布并提出自回归采样策略，实现了生成有效和多样性分子的能力，在实验结果中表现出较高的亲和力和良好的药物特性。

Mar, 2022

本文介绍一种基因专家引导学习法（GEGL）的新框架，用于培训深度神经网络（DNN）生成高奖励分子，结果表明 GEGL 在优化中显著优于现有方法。

Jul, 2020