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

本文提出了一种基于分子图转换的无模板逆合成预测方法 G2Gs，可以将一个目标分子图转化为一组反应物分子图，通过识别反应中心将目标分子图分解为一组合成子，再通过图形翻译技术将它们转化为反应物图。实验结果表明，G2Gs 的表现接近于最先进的基于模板的方法，且不需要领域知识且更加可扩展。

Mar, 2020

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

提出了一种基于图形搜索的策略，消除了中间分子的冗余探索，并采用图神经网络引导搜索。同时，我们的方法可以同时搜索一批目标，并使用基于树的搜索方法删除树间重复。在两个数据集上的实验结果表明了我们方法的有效性。特别是在广泛使用的 USPTO 基准测试中，我们将搜索成功率提高到 99.47％，提高了 2.6 个百分点的先前最先进的性能。

Jun, 2022

通过回顾性逆向合成（RBS）方法，我们提出一种应对稀疏奖励问题的新方法，用于训练目标条件下的生成流网络（GFlowNets），并在各类标准评估基准上显著提高样本效率并优于强基准模型。

Jun, 2024

本文提出了一种新的基于条件图逻辑网络的化学反应逆向设计方法，使用图神经网络隐式考虑反应是否在化学上可行和策略性，并提出了一种有效的分层采样，成功将当前现有方法的性能提高了 8.1%。

Jan, 2020

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

本文提出了一种名为 SemiRetro 的方法，将 TB 方法和 TF 方法的优点结合起来，采用减少模板冗余的方式对半模板进行嵌入，提高了化合物中心的识别和半模板的分类，实现了高效的回溯合成。实验结果表明，SemiRetro 的性能明显优于现有的 TB 和 TF 方法，并具有更好的训练效率。

Feb, 2022

反向合成扩散 (RetroDiff) 是一种基于扩散的新方法，用于解决生物制药中的根本性挑战，旨在帮助化学家找到合适的反应物分子和合成路径，即给定确定的产物分子。

Nov, 2023

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