ControlMol: 为分子扩散模型添加子结构控制
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
本篇论文提出了一种利用 3D geometry control 和 visual prompts 的扩展 diffusion models 生成图像的方法,可应用于计算机视觉任务并经过多个数据集的多次实验验证其效果。
Jun, 2023
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
提出一种神经网络框架 ControlNet 来控制大型预训练扩散模型以支持额外的输入条件,该模型能够以端到端的方式学习任务特定条件,并且学习具有鲁棒性,即使训练数据集很小(<50k);此外,训练 ControlNet 的速度与调整扩散模型的速度相同,模型可以在个人设备上训练。也可以在强大的计算集群上进行训练,适用于大量(数百万至数十亿)的数据;控制网络可以与大型扩散模型一起使用,以启用诸如边缘地图、分割地图、关键点等条件输入,进一步丰富了控制大型扩散模型的方法,促进了相关应用的发展。
Feb, 2023
本文介绍了一种新颖的分子表示学习方法,通过将分子子图信息纳入扩散过程中,提升了分子表示学习的效果。实验结果表明,该方法在下游任务中具有更好的性能表现。
May, 2024
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
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
本文介绍了一种生成具有理想属性的分子的新方法,该方法通过在分子和分子片段上执行扩散来获取混合高斯分布,并使用新颖的基于电子效应的分解方法优化多个分子属性,从而在人工智能驱动的药物设计和发现方面具有重要的应用前景。
Oct, 2023
逆向分子设计的多条件扩散模型与转换器编码去噪模型相结合,成功实现了高性能材料和药物发现,并在聚合物和小分子生成任务中展示了优越的分布学习和条件控制表现。
Jan, 2024