生成结构基础药物设计的困境：表现力过少还是过多？
该论文提出了一种基于分子图的深度生成模型Modof和其衍生模型Modof-pipe和Modof-pipem，用于分子优化，并通过基准数据集表明，其表现优于现有方法。
Dec, 2020
本文介绍了一种基于图卷积网络模型和输入归因方法的自动生成新分子方法，解决了药物设计中如何确定哪些分子的哪些方面对其最终活性/性能是更有影响力的问题。同时也探讨了过度优化和适用性两个问题的应用实例。
Jan, 2022
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
通过将图生成模型的基本GNN替换为更具表达能力的GNN，我们研究了GNN在分子图生成任务中的表现，通过对ZINC-250k数据集上的六种分子生成目标在两种不同生成框架（GCPN和GraphAF）中的六种GNN的性能进行了分析，实验证明先进的GNN确实能够提高GCPN和GraphAF在分子生成任务中的表现，但GNN的表达能力并非良好GNN-based生成模型的必要条件，此外，我们还展示了使用先进的GNN的GCPN和GraphAF能在其他17种非GNN-based图生成方法上（如变分自编码器和贝叶斯优化模型）在提出的分子生成目标（DRD2、Median1、Median2）上取得了最先进的结果，这些目标是药物设计中的重要指标。
Aug, 2023
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
通过理论分析和扩展 Fragment-WL 测试，我们提出了一种基于片段信息的高阶图神经网络架构，大大增强了理论表达力，并在合成和真实数据中优于其它片段偏置模型，以及与最新的基于 Transformer 的架构相比表现出更强大的泛化能力，成为分子建模任务的可靠解决方案。
Jun, 2024
CBGBench是一个结构基药物设计的综合评估基准，使用AI技术中的生成模型，通过填补三维复合结合图的空白来统一任务，并广泛应用于药物设计的关键子任务，包括分子生成、连接物、片段、骨架和侧链等。
Jun, 2024
利用生成流网络（GFlowNets）有效地探索药物样分子的组合空间，改进了GFlowNet框架，以增强生成特定蛋白质口袋的分子的能力，并通过使用CrossDocked2020数据集的实验证明了生成分子与蛋白质口袋之间的结合亲和力的提高，提出了进一步增加蛋白质-配体相互作用几何信息的未来研究方向。
Jun, 2024