用潜在流量导航化学空间
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
该研究的主要目的是通过使用学习的动态潜在地形建模潜在空间,以及受物理学和神经科学启发的偏微分方程,实现语义上有意义的潜在遍历,同时在模型训练中通过作为正则化项的方式,提高模型推断的准确性和结构化表示的学习。
Apr, 2023
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。
May, 2024
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
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
本文提出了一种基于目标感知的分子药物生成模型:SiamFlow。通过引入一种对齐损失和均匀损失,强制流在潜在空间中匹配目标序列嵌入分布,进而解决化学方法在药物 - 靶标相互作用方面的局限性,并在药物研发中提供了一种连接生物学和化学的新方法。
Feb, 2022
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
本文提出了一种新的生成流家族,它可以改善表达能力而不会显著增加抽样和似然下界评估的计算成本,并且可以理论上证明所提出的流可以近似于哈密顿 ODE 作为一种通用的传输映射,在流模型建模的标准基准测试中表现出领先的性能。
Feb, 2020
LDMol 是一种新颖的潜在扩散模型,能够实现自然语言条件下的分子生成,并通过对比学习策略来提取化学信息特征空间,不仅在文本到分子生成基准测试中超过现有基准,还能进行零样本推理和相关任务如分子到文本检索和以文本为驱动的分子编辑,展示了它作为扩散模型的通用性。
May, 2024