基于片段的全新 2D 分子生成综述

May, 2024

A Review on Fragment-based De Novo 2D Molecule Generation

Sergei Voloboev

TL;DR在计算分子生成领域，基于片段的深度生成模型是发现新化学化合物的关键任务，具有领先的方法，在 2023 年一直在分子设计基准测试中获得最新成果。我们对这些模型的架构进行了详细的比较评估，重点介绍了它们在分子分割和生成建模方面的独特方法。本综述还包括了输出质量、生成速度以及特定模型的当前限制的比较，并突出了未来研究的有希望的方向，可以将基于片段的模型与实际应用相结合。

Abstract

In the field of computational molecule generation, an essential task in the discovery of new chemical compounds, fragment-based deep generative models are a leading approach, consistently achieving state-of-the-a

computational molecule generation fragment-based deep generative models molecular design benchmarks architectures fragmentation

发现论文，激发创造

基于片段的分子生成深度生成模型

通过采用 Fragment-Based Drug Design 范例生成小分子结构语言模型并进行分子生成，大幅提高了分子的有效性和独特性，达到了基于图像的模型的最佳表现。

Feb, 2020

深度几何处理与分子局部三维图形生成

通过对现有的几何相关模型及其协议的全面审查，我们提出了一种新型的混合策略，通过引入深度几何处理协议来拓展设计重点，并最终开发了 FragGen - 一种具有可靠几何结构的分段式分子生成方法。FragGen 在生成几何结构质量和分子合成可达性方面具有显著的进展，其有效性通过其在设计纳摩尔级别的 II 型激酶抑制剂方面的成功应用得到进一步验证。

Mar, 2024

药物设计中的扩散模型

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

深度学习在分子设计中的应用 - 现状综述

文献的主要内容是深度生成建模技术被应用于分子生成和优化，包括使用递归神经网络、自动编码器、生成对抗网络和强化学习等四种技术，并探讨了这些技术的数学基础和优缺点，内容涉及到分子表示和设计中的多个方面。

Mar, 2019

基于连接感知模体挖掘的新颖分子生成

本文提出了一种新方法 MiCaM，通过基于数据驱动的算法迭代合并子图来挖掘出构建于连接感知的基序上的分子片段，然后构建一个构建于挖掘出的连接感知的基序上的连接感知生成器，实现了生成具有目标性质分子的目的。

Feb, 2023

基于条件图生成模型的多目标新药设计

本研究提出了一个新的基于顺序图生成器的分子设计框架，该方法比现有的图生成模型更适用于分子生成，并已扩大应用范围。使用条件图生成模型解决了多个药物设计问题，并取得了高效率的结果。

Jan, 2018

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

基于生成的 AI 在全新药物设计中的调查：分子和蛋白质生成的新领域

人工智能驱动的方法可以大大改善历史上昂贵的药物设计过程，各种生成模型已经广泛使用。特别是对于全新药物设计的生成模型，侧重于完全从零开始创建新的生物化合物，展示了一个有前途的未来方向。通过对该领域的迅速发展以及药物设计过程的固有复杂性，为新研究者进入创造了一个困难的环境。在这项调查中，我们将全新药物设计分类为两个主要主题：小分子和蛋白质生成。在每个主题中，我们确定了各种子任务和应用，突出重要的数据集、基准和模型架构，并比较了顶级模型的性能。我们采取广泛的方法进行人工智能驱动的药物设计，允许在每个子任务中对各种方法进行微观水平的比较，并跨不同领域进行宏观观察。我们讨论了这两个应用之间的并行挑战和方法，并强调了人工智能驱动的全新药物设计的未来方向。所有涵盖的资料的有组织存储库可以在此链接中找到：https://www.example.com

Feb, 2024

深度引导优化：利用生成人工智能进行结构修改

利用基于深度学习的分子生成加速药物候选物的发现的思想引起了极大关注，并开发了许多用于自动药物设计的深度生成模型，称为分子生成。其中，优化主导在实际药物设计中起着重要作用，我们对传统的计算机辅助药物设计方法进行了系统评述，将这些策略组织成了四个主要子任务，每个任务都有明确的输入和输出。此评述还探讨了基本概念、目标、传统 CADD 技术和 AIDD 的最新进展。此外，我们提出了一种基于受限子图生成的统一视角，以协调 de novo 设计和主导优化的方法。通过这种视角，de novo 设计可以融入主导优化的策略，以解决生成难以合成的分子的挑战；反之，主导优化可通过将其作为在特定次结构上生成分子的任务来受益于 de novo 设计的创新。

Apr, 2024

药物设计的分子生成：基于图学习的视角

综述了机器学习和图学习在分子设计和药物发现中的应用，提出将这些方法分成三类，并总结了常用的评估指标和公共数据集。最后，从药品视角探讨了未来研究的挑战和方向。

Feb, 2022