May, 2024

基于不确定性指导下的变分自编码器精细调优强化生成分子设计

PDF
TL;DR通过性能反馈在主动学习环境中，我们提出了一种预先训练的变分自动编码器 (VAE) 基因设计模型的模型不确定性引导微调的新方法，通过量化生成模型中的模型不确定性，扩展了有效分子的空间，并利用多样性解码器探索生成优化的多个高性能模型，实验结果表明，我们的不确定性引导微调方法在六个目标分子属性上始终优于原始预训练模型。
发现论文，激发创造
  • 基于条件变分自编码器的分子生成模型，用于新型分子设计

    提出了一种基于条件变分自编码器的分子生成模型，可以控制多个分子属性，生成具有五个目标属性的类药物分子，可以单独调整一个属性，将其操作超出数据集范围。

    Jun, 2018

  • 使用高斯混合变分自编码器从分子模拟中生成可解释的嵌入

    本研究论文介绍了使用 Gaussian mixture variational autoencoder（GMVAE）进行分子模拟数据的降维和聚类，以及其在构建 Markov 状态模型方面的潜在应用。

    Dec, 2019

  • 基於深度生成模型的條件分子設計

    本文提出了一种半监督变分自编码器模型，能够同时进行属性预测和分子生成，从而高效生成具有所需属性的新分子。我们从估计好的生成分布中进行采样以生成新的分子，并在药物样分子上证明了该模型的有效性、改进了属性预测的性能，并高效生成满足各种目标条件的新型分子。

    Apr, 2018

  • 使用去噪扩散概率模型对分子图进行变分自编码

    本文提出了一种新的分子深度生成模型，该模型在概率潜变量中加入分层结构，并能通过小数据集实现有效的分子潜在向量设计和物性预测。

    Jul, 2023

  • 利用主动子空间捕捉深度生成模型分子设计中的认知模型不确定性

    通过利用低维活跃子空间捕捉模型参数的不确定性，提出了一种基于活跃子空间的不确定性量化方案，用于高维参数空间中估计表观模型不确定性，并展示了在表观不确定性下探索分子优化的模型多样性的实证研究，为生成分子设计中的不确定性问题提供了解决方法。

    Apr, 2024

  • 利用解码器不确定性提高 VAE 潜空间中的黑盒优化

    使用表观不确定性来指导潜在空间内的优化过程，利用重要性采样估计表观不确定性来生成更真实且有效的高维离散对象，在数字生成、算术表达式逼近和药物设计的分子生成等多个实验中都表现出优异的性能。

    Jun, 2021

  • 优化用于视觉任务的变分自编码器潜在表示中的不确定性

    深度学习方法在计算神经科学中作为建模工具变得越来越重要，本文系统地研究了变分自编码器的不确定性表示，提出了一种新的方法解释偏离变分自编码器 (EA-VAEs)，并发现它在各种情况下能够产生有意义的不确定性报告，可在计算神经科学的感知模型和计算机视觉的推理工具中发挥作用。

    Apr, 2024

  • 分子 - 基因进化驱动的人类水平分子优化

    通过 Deep Genetic Molecular Modification Algorithm (DGMM)，将结构修饰引入药物化学家的水平，该算法利用离散变分自动编码器 (D-VAE) 将分子编码为量化编码 mol-gene，将深度学习与遗传算法相结合，用于灵活结构优化，以发现药理学上相似但在结构上有所区别的化合物并揭示药物发现中结构优化的权衡。我们在几个应用中验证了 DGMM 的有效性。

    Jun, 2024

  • 基于生成型自编码器的分子设计应用

    本文探讨如何使用深度学习方法 - 自动编码器，进行新型药物分子结构的设计，并通过搜索自动生成的 latent space, 生成预测活性的新化合物，并识别与训练集不同但具有相似效应的活性化合物。

    Nov, 2017

  • 基于属性导向的生成建模技术，用于不平衡数据下的鲁棒模型设计

    该研究提出了一种基于属性引导变分自编码器的模型优化技术来设计具有期望性质的蛋白序列，并在实验与半合成蛋白质数据集上进行了全面的基准测试，表明该技术具有鲁棒性，能够有效地应对实验结果不够均衡的问题。

    May, 2023