关键词molecular optimization
搜索结果 - 7
- ICLRDecompOpt：基于结构的分子优化的可控分解扩散模型
近期，3D 生成模型在基于结构的药物设计中表现出了良好的性能，但仅建模目标配体分布难以实现药物发现的一个主要目标，即设计具有所需性质（如高结合亲和力、易合成等）的新型配体。本研究中，我们提出了 DecompOpt，这是一种基于可控分解扩散模 - 基因引导的 GFlowNets：提升实用分子优化基准
本篇论文提出了一种新的 GFlowNet 变体，遗传引导 GFlowNet (Genetic GFN)，通过将迭代遗传搜索集成到 GFlowNet 中，有效地指导 GFlowNet 到高回报区域，解决全局过度探索导致训练效率低下和探索有限区 - 可微脚手架树用于分子优化
提出差分可伸展树（DST）模型，基于学习知识网络将离散化化学结构转化为局部可微分的结构，并通过图神经网络（GNN）反向传播导数，实现了化学图结构的基于梯度的优化，且优化结果具有有效性和样本效率，并且学习到的图形参数可以提供有助于领域专家理解 - 具有邻域控制语法的强化分子优化
该研究提出了一个新的分子优化方法，通过一种基于图卷积策略网络的强化学习算法和语法来有效地生成分子结构并优化其性质，其在大量分子优化任务中达到了最先进的性能。
- 分层图到图分子翻译
本文重点研究了药物发现方面的自动优化工具，并且提出了一种基于图像及其翻译方法的分子优化技术，利用其原子级编码和自回归图形解码器解决分子结构中的多个技术挑战。同时，我们的模型在多项任务中显著优于现有的基准模型。
- 分子优化的多模态图形到图形翻译学习
本文采用图表征相似的分子并通过图表征将其转换为拥有更好性质的分子，采用基于树的模型以支持多样性的输出，并用低维潜在向量扭曲转换过程以实现多样性，并且用对抗训练方法以对齐分子的分布。实验表明，该模型优于目前最先进的基准。
- 分子超图文法及其在分子优化中的应用
本文介绍一种新的分子超图文法变分自编码器 (MHG-VAE)，通过使用一个单一的 VAE 结合基于贝叶斯优化的技术，利用分子超图文法编码硬化学限制来指导 VAE 生成有效的分子，以解决分子优化中的两大挑战：有效性和成本效益。