- 基于几何信息的 GFlowNets 用于结构化药物设计
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 - MoleculeCLA: 通过计算化学配体 - 靶标结合分析重新思考分子基准
构建精确大规模的分子表示数据集,通过深度学习模型为药物发现的人工智能领域提供准确可靠的基准。
- Scoreformer:一种大规模对接得分预测的代理模型
本研究提出了一种新颖的图形变换器模型 ScoreFormer,用于准确预测分子对接得分,从而优化药物发现中的高通量虚拟筛选。该模型通过集成 Principal Neighborhood Aggregation(PNA)和 Learnable - ICML信息熵增强的大型语言模型在药物探索中的规划
通过使用熵强化规划算法增强 Transformer 解码过程以在开发新药物和生成代码方面取得改进,该方法在多个属性上优于直接从 Transformer 中采样的现有算法。
- Tx-LLM: 大型药物治疗语言模型
开发疗法是一个漫长而昂贵的过程,需要满足许多不同的标准,而能够加快这个过程的人工智能模型将是无价之宝。这篇论文介绍了 Tx-LLM,它是一个通用的大型语言模型,从 PaLM-2 中细调,能够编码关于不同治疗模式的知识,并在药物发现领域的多个 - 药物设计中的扩散模型
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 - 深度非对称混合模型用于无监督细胞分割
自动细胞分割是疾病诊断和药物研发中越来越重要的工具,本文提出了一种新的非对称混合模型用于无监督的细胞分割,该模型在细胞分割的性能上胜过现有的最先进的无监督模型约 2-30%(p<0.05)的提升。
- TAGMol: 目标感知梯度引导的分子生成
3D 生成模型在结构基药物设计中表现出显著的潜力,尤其在发现适应特定靶点结合位点的配体方面。TAGMol 是一个综合的药物生成框架,通过将问题分解为分子生成和特性预测,并通过引导扩散采样过程来实现生成具有所需特性的有意义的分子。在基准数据集 - UniIF: 统一的分子逆折叠
UniIF 模型通过引入几何块注意力网络,统一了所有分子的逆向折叠过程,通过各种任务评估表明其在蛋白质设计、RNA 设计和材料设计方面优于现有方法,提供了一种通用且有效的分子逆向折叠解决方案。
- QComp: 药物发现的基于 QSAR 的数据补全框架
基于已有的 QSAR 模型,QComp 利用实验数据中固有的相关性,提高了各种任务的预测准确性,同时通过量化特定终点的统计不确定性的减少,为合理决策提供支持,从而成为引导药物发现过程中最佳实验顺序的有前途工具。
- 引导的多目标生成人工智能以增强基于结构的药物设计
通过结合深度扩散和多目标优化,IDOLpro 是一种新颖的生成化学人工智能,可以在计算机模拟中生成具有最优结合亲和力和合成易得性的配体,优化多种目标物理化学性质,并超越实验观察的配体的性能。
- 顺序实验中的协同智能:药物发现的人机交互框架
药物研发是一个复杂的过程,本文介绍了一种人工智能与人类专家知识相结合的人机协作框架,用于药物研发中的顺序实验,以提高针对目标分子的发现效率。研究结果表明,这种框架能够有效加速新疫苗和药物的开发,充分利用人类专家和人工智能的优势。
- 扩散模型中的合成数据改善药物发现预测
人工智能在药物研发的各个阶段中得到了越来越多的应用。我们提出了一个新的数据挑战,即数据集常常相互独立收集,缺乏重叠部分,导致数据稀疏。为解决这一挑战,我们提出了一种新颖的扩散图神经网络模型 Syngand,可以全面生成配体和药物动力学数据。 - ICLRSynFlowNet: 朝着具备保证的合成途径的分子设计
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。
- 盐胡椒调味品与季节组合干预预测
通过对基因干预的影响进行估计,本研究聚焦于基因对的组合对细胞转录组的效应,并引入了 Salt 和 Peper 两种新方法,Salt 从生物学启发并假设组合效应主要是加性的,而 Peper 则通过深度学习拓展了 Salt 的加性假设以实现前所 - 物理公式增强的多任务学习用于药代动力学预测
我们开发了一种物理公式增强的多任务学习(PEMAL)方法,通过将物理公式纳入多任务框架中,增强了药物代谢动力学参数的预测准确性。我们的研究表明,PEMAL 相对于 Typical Graph Neural Networks 显著降低了数据需 - 一种用于化学反应预测的自反馈知识获取方法
为了提高化学反应预测准确性,这项研究介绍了一种数据筛选的自我反馈知识引导方法,将先前的知识融入大型语言模型,取得了显著的预测准确度提升,同时拓展了多任务化学反应的处理能力。
- 潜在化学空间搜索用于插件多目标分子生成
本研究通过开发一种多功能的 “插件” 分子生成模型,结合多个目标相关性、药物相似性和可合成性,来解决多目标生成、模型适应性以及药物发现实际应用中的挑战。在药物发现的背景下,我们改进了粒子群优化算法(PSO),通过比较实验发现 PSO-ENP - 分子少样本学习是否真的需要元训练?
我们重新审视了更简单的精调方法,基于马氏距离提出了一种正则化的二次探针损失,设计了一种专用的块坐标下降优化器,达到了与现有方法相媲美的竞争性能,并且适用于黑盒设置,消除了特定的情节预训练策略的需求。此外,我们引入了一个新的基准来评估竞争方法 - 自适应内在奖励的分子强化学习用于目标导向的分子生成
Mol-AIR 是一种基于强化学习和自适应内在奖励的分子生成方法,通过结合深度生成模型和增强学习来有效地生成具有特定性质的分子结构,优于现有方法在无先验知识的情况下生成具有期望性质的分子。