我们致力于自动化生成与特定蛋白质口袋靶点相匹配的药物样化合物。我们采用强化学习方法，提出了一种目标条件生成流网络（TacoGFN）模型，通过该模型可以生成具有所需属性的分子。我们还开发了基于 Transformer 的对接评分预测方法，用于加速对接评分计算，并使用几轮主动学习来改善对接评分预测。实验证明，使用 TacoGFN 及其变种生成的分子在每个特性（对接评分，QED，SA，Lipinski）上显著优于所有基准方法，并且速度快了数个数量级。

Oct, 2023

通过在化学反应空间中操作，将生成模型扩展到小分子发现中，从而增加了搜索空间的大小，并保持候选分子生成的可合成性，同时对于预训练代理模型和 GPU 加速对接等多个 Oracle 模型都具有良好的表现。

Jun, 2024

本文系统地回顾了几何深度学习在基于结构的药物设计中的最近进展，并包括了结合位点预测、结合姿势生成、分子生成、连接器设计和结合亲和力预测等任务的详细综述和相关进展的挑战以及潜在机会。

Jun, 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

本文提出一种利用表观不确定性评估和最近提出的 GFlowNets 作为生成器的主动学习算法，旨在在每一轮后获得一批有用且信息量大的候选解，并在此基础上设计了新的生物序列设计任务模型，并对其进行了实验验证，在多个任务上取得了良好的效果。

Mar, 2022

本研究采用目标导向的分子生成算法探究多目标优化问题中 Pareto 前沿的整体性，并提出一种去除标量化策略的条件化模型用于均匀探索整个 Pareto 前沿。

Jun, 2023

基于扩散的生成模型，通过深度学习从大规模训练集中推断原子类型和几何参数，以取得高精度的键合参数，超过传统的基于知识的方法，并与实验结构进行比较。

Feb, 2024

深度学习在药物发现中是一种有效的工具，具有在预测模型和生成模型中的潜在应用。本文介绍了双生成流网络（double GFlowNets，DGFNs），这是一种能够生成多样化候选物分子的方法。通过引入强化学习和双深度 Q 学习的概念，我们在采样轨迹时使用了目标网络，并利用这些采样轨迹更新主网络。实证结果表明，DGFNs 有效地增强了在稀疏奖励领域和高维状态空间中的探索能力，这是药物发现中崭新设计的具有挑战性的方面。

Oct, 2023

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

使用机器学习方法建立了一个新颖的三维生成模型 DiffSBDD，用于设计小分子配体与指定蛋白质靶点高度亲和并具有特异性。 DiffSBDD 通过生成出新型具有高结合能量的药物配体，展现了显著的效率和多样性。

Oct, 2022