- 使用 GNN 特性预测器作为分子生成器
利用可逆神经网络直接生成具有期望电子性质的分子结构，该方法不需要对分子结构进行额外训练，通过严格的图构建规则确保化合价规则，将该方法应用于生成具有特定能隙和分配系数（logP）的分子，并在生成更多样化分子的同时，以与最先进的生成模型相媲美甚 - 通过双分子模态和多底层结构精炼的药物推荐
通过结合患者病历和生物医学知识，我们提出了 BiMoRec，它利用了三维分子结构和原子属性来克服现有方法中对二维分子结构的局限性，实现了二维和三维分子图的融合，并通过与患者就诊信息的交互来提取子结构，从而生成最终的药物组合。通过在 MIMI - 生成材料和分子的响应匹配
最近，机器学习已经成为生成新的分子和材料结构的强大工具。我们提出了一种新颖的生成方法，称为响应匹配（RM），它利用了每个稳定材料或分子存在于其势能面最低点的事实。通过结合机器学习的原子间相互作用势能和随机结构搜索作为去噪模型，RM 利用了原 - 三维全新分子生成的混合连续和分类流匹配
在这项研究中，我们探索了用于生成化学分子的流匹配框架的扩展，该框架在 3D 分子生成方面取得了良好性能，并通过构建在概率简单形式上存在的流来对分类数据进行扩展，从而实现了改进的性能。
- 双生子在旋转光谱学中：旋转谱能唯一鉴别一种分子吗？
摘要：通过旋转谱学的旋转谱线可准确确定气相分子的结构，并通过引入一个漏斗式方法搜索具有相似旋转谱线但分子结构截然不同的分子双胞胎，以解决旋转谱线与分子结构的反问题。结果表明，某些分子双胞胎可以通过提高理论方法的准确性或进行附加实验来区分。
- 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。
- BioT5+：融合 IUPAC 集成和多任务调整的通用生物理解
BioT5 + 是一个针对生物研究和药物发现的框架，融合了多种新颖特性，包括 IUPAC 命名、来自 bioRxiv 和 PubChem 等数据源的生物文本和分子数据，以及用于处理数字数据的新颖数值标记化技术，从而将分子表示与其文本描述之间 - 基于结构注意机制的机器学习方法预测重氮基团的红外光谱
通过应用结构化注意力机制的机器学习方法，加强了对红外光谱特征和分子结构之间关系的解析，提高了预测准确性，鲁棒性和解释性，为解析复杂分子相互作用提供了可扩展和高效的范例。
- AAAI分子 GNN 的预训练作为条件玻尔兹曼生成器
我们提出了一种预训练方法，使用现有的分子构形数据集生成适用于多个构形的潜在向量，从而解决了获取多个构形的计算成本高的问题，并展示了我们的模型在分子性质预测方面优于使用分子图和三维分子结构的现有预训练方法。
- 使用 E (3) 等变图神经网络预测碳水化合物核磁共振化学位移
利用 E (3) 等变图神经网络预测碳水化合物核磁共振光谱，并取得了显著的平均绝对误差降低，为了加速制药应用、生物化学和结构生物学的研究，提供更快速、可靠的分子结构分析，进一步迈向一个数据驱动的光谱学新时代。
- 从分子到支架到功能团：通过多通道学习构建具有上下文依赖性的分子表示
使用自监督学习和分子结构内的层次知识，该论文提出了一种新的学习框架，从而可以准确预测分子属性并在各种基准测试中取得竞争性表现。
- 化合物的增强聚类和新兴性质的无监督学习分子嵌入
分子结构和性质的详细分析具有通过机器学习进行药物开发发现的巨大潜力。我们介绍了用于基于 SMILES 数据检测和聚类化学化合物的各种方法。通过分析化学化合物的图形结构，我们的方法使用向量搜索来满足阈值值，并得到显著而集中的聚簇，该方法在查询 - MolFM：一个多模态分子基础模型
MolFM 是一个多模态分子基础模型，通过分子结构、生物医学文本和知识图谱进行联合表示学习，以提高交叉模态理解和下游任务的性能。
- Mol-PECO: 一种利用分子结构预测人类嗅觉感知的深度学习模型
本文提出了一个名为 Mol-PECO 的深度学习模型，通过对分子结构进行编码来预测气味知觉，其更新的原子嵌入通过方向图卷积网络 (GCN) 对拉普拉斯特征函数进行建模作为位置编码和库仑矩阵进行原子坐标和电荷编码。利用 8,503 种分子的全 - ICML粗到细：一种用于三维分子生成的分层扩散模型
本研究提出了一种基于层次扩散的模型，通过分子的粗颗粒化、基于信息传递的解码过程和精细碎片的设计，以提高分子生成的质量，解决了分子 3D 非自回归生成的优化问题。
- 分解重组的分子图生成
本文提出了基于分解和重组的分子设计方法，通过分解分子并通过强化学习寻找理想的构建子以生成新的分子，以达到更好的分子质量以及合适的药物特性。
- 3DMolNet：分子结构生成网络
使用可变自编码器学习分子的三维结构，实现对分子结构的建模，生成具有结构和组成合法性的分子结构
- 生成有效的欧几里得距离矩阵
利用具有对称不变层的神经网络生成 Euclidean 距离矩阵，并使用其构建了一个 Wasserstein GAN，可以一次性生成具有三维嵌入的分子结构。
- 分子集 (MOSES)：分子生成模型基准测试平台
通过建立叫做 MOSES 的基准平台来标准化分子生成模型的训练和比较，该平台提供了训练和测试数据集，并提供一组指标来评估生成结构的质量和多样性。我们实施并比较了几种生成模型，并建议将我们的结果用作进一步发展生成化学研究的参考点。
- 在多用户虚拟现实框架中采样分子构象和动态
在多用户虚拟现实环境中，通过严谨的云上物理原子模拟和大众虚拟现实硬件，我们为交互式分子动力学描述了一个框架，该框架让用户能够以原子级精度 “即时” 可视化和尝试复杂分子结构的结构和动态，并与同一虚拟环境中的其他用户进行交互，我们进行了一系列