papers for molecular design using DL
1.0.0
im Zusammenhang mit generativer KI und Deep Learning für molekulares/Arzneimitteldesign und molekulare Konformationsgenerierung .
Aktualisierung ...
Molekulare Optimierung wird willkommen sein ！！！
Molekulares (Arzneimittel-)Design mit generativer künstlicher Intelligenz und Deep Learning
| Speisekarte | Speisekarte | Speisekarte | Speisekarte |
|---|---|---|---|
| Generative KI für wissenschaftliche Entdeckungen | Rezensionen | Datensätze und Benchmarks | Drogenähnlichkeit und Bewertungsmetriken |
| Deep-Learning-basiertes Design | Textgesteuerte molekulare Generationsmodelle | Auf mehreren Zielen basierende tiefgreifende molekulare generative Modelle | Ligandenbasierte tiefmolekulare generative Modelle |
| Pharmakophorbasierte tiefmolekulare generative Modelle | Strukturbasierte tiefmolekulare generative Modelle | Fragmentbasierte tiefmolekulare generative Modelle | Gerüstbasierte DMGs |
| Fragmentbasierte DMGs | Motivbasierte DMGs | Linker-basierte DMGs | Auf chemischen Reaktionen basierende tiefmolekulare generative Modelle |
| Omics-basierte tiefmolekulare generative Modelle | Mehrobjektive tiefmolekulare generative Modelle | Quantentiefe molekulare generative Modelle | Empfehlungen und Referenzen |
| Spektren (Masse/NMR)-basiert | Massenspektrenbasiert | Basierend auf NMR-Spektren | Kryo-EM-Kartenbasiert |
| Datensätze | Benchmarks | Drogenähnlichkeit | Bewertungsmetriken |
|---|---|---|---|
| Datensätze | Benchmarks | QED | SAscore |
| QEPPI | RAscore | ||
| Bewertungsmetriken | |||
| Molekulare generative Validierung |
| Speisekarte | Speisekarte |
|---|---|
| Benchmark für molekulare Konformer-Ensembles | Rezensionen für Molekulare Konformationsgenerierung |
| VAE-basierte molekulare Konformationsgenerierung | GAN-basierte molekulare Konformationsgenerierung |
| Energiebasierte molekulare Konformationserzeugung | |
| Diffusionsbasierte Erzeugung molekularer Konformationen | |
| RL-basierte molekulare Konformationsgenerierung | |
| GNN-basierte molekulare Konformationsgenerierung |
| Speisekarte | Speisekarte | Speisekarte | Speisekarte |
|---|---|---|---|
| RNN-basiert | LSTM-basiert | Autoregressive-Modelle | Transformatorbasiert |
| VAE-basiert | GAN-basiert | Flowbasiert | Aufforderungsbasiert |
| Punktebasiert | Energiebasiert | Diffusionsbasiert | DMGs für aktives Lernen |
| RL-basiert | Multitasking-DMGs | Monte-Carlo-Baumsuche | Basierend auf genetischen Algorithmen |
| Basierend auf einem evolutionären Algorithmus | Basierend auf großen Sprachmodellen |
Materialdesign mit generativer künstlicher Intelligenz und Deep Learning
| Speisekarte | Speisekarte | Speisekarte | Speisekarte |
|---|---|---|---|
awesome-AI4ProteinConformation-MD
https://github.com/AspirinCode/awesome-AI4ProteinConformation-MD
Großes Sprachmodell für biomedizinische Wissenschaft, Molekül-, Protein- und Materialentdeckung
https://github.com/HHW-zhou/LLM4Mol
Liste der Artikel zum Proteindesign mithilfe von Deep Learning
https://github.com/Peldom/papers_for_protein_design_using_DL
Fantastische generative KI
https://github.com/steven2358/awesome-generative-ai
awesome-molecular-generation
https://github.com/amorehead/awesome-molecular-generation
Ein Überblick über künstliche Intelligenz in der Arzneimittelforschung
https://github.com/dengjianyuan/Survey_AI_Drug_Discovery
Geometry Deep Learning für die Wirkstoffforschung und Biowissenschaften
https://github.com/3146830058/Geometry-Deep-Learning-for-Drug-Discovery-and-Life-Science
Diffusionsmodelle im De-novo-Arzneimitteldesign [204]
Alakhdar, Amira, Barnabas Poczos und Newell Washburn.
J. Chem. Inf. Modell. (2024)
Deep Lead Optimization: Nutzung generativer KI für strukturelle Modifikationen [2024]
Zhang, Odin, Haitao Lin, Hui Zhang, Huifeng Zhao, Yufei Huang, Yuansheng Huang, Dejun Jiang, Chang-yu Hsieh, Peichen Pan und Tingjun Hou.
arXiv:2404.19230 (2024)
Erschließung des Potenzials generativer künstlicher Intelligenz in der Arzneimittelforschung [2024]
Romanelli, Virgilio, Carmen Cerchia und Antonio Lavecchia.
Anwendungen generativer KI (2024)
Jüngste Fortschritte im automatisierten strukturbasierten De-Novo-Arzneimitteldesign [2024]
Bai, Qifeng, Jian Ma und Tingyang Xu.
J. Chem. Inf. Modell. (2024)
Generative KI-Deep-Learning-Modelle für die Arzneimittelforschung [2024]
Bai, Qifeng, Jian Ma und Tingyang Xu.
Anwendungen generativer KI. Cham: Springer International Publishing (2024)
Tiefgreifende generative Modelle in der De-Novo-Arzneimittelmolekülgenerierung [2024]
Xiangru Tang, Howard Dai, Elizabeth Knight, Fang Wu, Yunyang Li, Tianxiao Li, Mark Gerstein
arXiv:2402.08703 (2024) | Code
Tiefgreifende generative Modelle in der De-Novo-Arzneimittelmolekülgenerierung [2023]
Chao Pang, Jianbo Qiao, Xiangxiang Zeng, Quan Zou und Leyi Wei*
J. Chem. Inf. Modell. (2023)
Per Anhalter durch Deep Learning getriebene generative Chemie [2023]
Yan Ivanenkov, Bogdan Zagribelnyy, Alex Malyshev, Sergei Evteev, Victor Terentiev, Petrina Kamya, Dmitry Bezrukov, Alex Aliper, Feng Ren und Alex Zhavoronkov
ACS Med. Chem. Lette. (2023)
Quantencomputing für kurzfristige Anwendungen in der generativen Chemie und Wirkstoffforschung [2023]
Pyrkov, Alexey, Alex Aliper, Dmitry Bezrukov, Yen-Chu Lin, Daniil Polykovskiy, Petrina Kamya, Feng Ren und Alex Zhavoronkov.
Arzneimittelentdeckung heute (2023)
Eine systematische Untersuchung zum geometrischen Deep Learning für strukturbasiertes Arzneimitteldesign [2023]
Zaixi Zhang, Jiaxian Yan, Qi Liu, Enhong Chen
arXiv:2306.11768v2
Wie wird generative KI die Datenwissenschaft in der Arzneimittelforschung verändern? [2023]
Vert, JP.
Nat Biotechnol (2023)
Generative Modelle als aufstrebendes Paradigma in den chemischen Wissenschaften [2023]
Anstine, Dylan M. und Olexandr Isayev.
JACS (2023)
Chemische Sprachmodelle für das De-novo-Arzneimitteldesign: Herausforderungen und Chancen [2023]
Grisoni, Francesca.
Aktuelle Meinung in der Strukturbiologie 79 (2023)
Künstliche Intelligenz im multiobjektiven Arzneimitteldesign [2023]
Luukkonen, Sohvi, Helle W. van den Maagdenberg, Michael TM Emmerich und Gerard JP van Westen.
Aktuelle Meinung in der Strukturbiologie 79 (2023)
Integration strukturbasierter Ansätze in generatives molekulares Design [2023]
Thomas, Morgan, Andreas Bender und Chris de Graaf.
Aktuelle Meinung in der Strukturbiologie 79 (2023)
Offene Daten und Algorithmen für offene Wissenschaft in der KI-gesteuerten Molekularinformatik [2023]
Brinkhaus, Henning Otto, Kohulan Rajan, Jonas Schaub, Achim Zielesny und Christoph Steinbeck.
Aktuelle Meinung in der Strukturbiologie 79 (2023)
Strukturbasiertes Arzneimitteldesign mit geometrischem Deep Learning [2023]
Isert, Clemens, Kenneth Atz und Gisbert Schneider.
Aktuelle Meinung in der Strukturbiologie 79 (2023)
MolGenSurvey: Eine systematische Umfrage zu Modellen des maschinellen Lernens für das Moleküldesign [2022]
Du, Yuanqi, Tianfan Fu, Jimeng Sun und Shengchao Liu.
arXiv:2203.14500 (2022)
Tiefgreifendes generatives molekulares Design verändert die Arzneimittelforschung [2022]
Zeng, Xiangxiang, Fei Wang, Yuan Luo, Seung-gu Kang, Jian Tang, Felice C. Lightstone, Evandro F. Fang, Wendy Cornell, Ruth Nussinov und Feixiong Cheng.
Zellberichte Medizin (2022)
Strukturbasierte Wirkstoffentwicklung mit Deep Learning [2022]
Özçelik, Rıza, Derek van Tilborg, José Jiménez-Luna und Francesca Grisoni.
ChemBioChem (2022)
Generative Modelle für die molekulare Entdeckung: Aktuelle Fortschritte und Herausforderungen [2022]
Bilodeau, Camille, Wengong Jin, Tommi Jaakkola, Regina Barzilay und Klavs F. Jensen.
Computational Molecular Science 12.5 (2022)
Bewertung tiefer generativer Modelle im Raum der chemischen Zusammensetzung [2022]
Türk, Hanna, Elisabetta Landini, Christian Kunkel, Johannes T. Margraf und Karsten Reuter.
Chemie der Materialien 34.21 (2022)
Generatives maschinelles Lernen für die De-novo-Wirkstoffentwicklung: Eine systematische Übersicht [2022]
Martinelli, Dominic.
Computer in Biologie und Medizin 145 (2022)
Docking-basierte generative Ansätze bei der Suche nach neuen Medikamentenkandidaten [2022]
Danel, Tomasz, Jan Łęski, Sabina Podlewska und Igor T. Podolak.
Arzneimittelentdeckung heute (2022)
Fortschritte und Herausforderungen beim De-Novo-Arzneimitteldesign unter Verwendung dreidimensionaler tief generativer Modelle [2022]
Xie, Weixin, Fanhao Wang, Yibo Li, Luhua Lai und Jianfeng Pei.
J. Chem. Inf. Modell. 2022, 62, 10, 2269–2279
Deep Learning zur Katalyse des inversen molekularen Designs [2022]
Alshehri, Abdulelah S. und Fengqi You.
Chemical Engineering Journal 444 (2022)
KI im 3D-Compound-Design [2022]
Hadfield, Thomas E. und Charlotte M. Deane.
Aktuelle Meinung in der Strukturbiologie 73 (2022)
Deep-Learning-Ansätze für das De-novo-Arzneimitteldesign: Ein Überblick [2021]
Wang, Mingyang, Zhe Wang, Huiyong Sun, Jike Wang, Chao Shen, Gaoqi Weng, Xin Chai, Honglin Li, Dongsheng Cao und Tingjun Hou.
Aktuelle Meinung in der Strukturbiologie 72 (2022)
Generative Chemie: Wirkstoffentwicklung mit generativen Deep-Learning-Modellen [2021]
Bian, Yuemin und Xiang-Qun Xie.
Zeitschrift für molekulare Modellierung 27 (2021)
Generatives Deep Learning für gezieltes Compound-Design [2021]
Sousa, Tiago, João Correia, Vítor Pereira und Miguel Rocha.
J. Chem. Inf. Modell. 2021, 61, 11, 5343–5361
Generative Modelle für das De-Novo-Arzneimitteldesign [2021]
Tong, Xiaochu, Xiaohong Liu, Xiaoqin Tan, Xutong Li, Jiaxin Jiang, Zhaoping Xiong, Tingyang Xu, Hualiang Jiang, Nan Qiao und Mingyue Zheng.
Zeitschrift für Medizinische Chemie 64,19 (2021)
Molekulares Design in der Arzneimittelforschung: eine umfassende Übersicht über tiefgreifende generative Modelle [2021]
Cheng, Yu, Yongshun Gong, Yuansheng Liu, Bosheng Song und Quan Zou.
Briefings in Bioinformatik 22.6 (2021)
De-novo-Moleküldesign und generative Modelle [2021]
Meyers, Joshua, Benedek Fabian und Nathan Brown.
Drug Discovery Today 26.11 (2021)
Deep Learning für molekulares Design – ein Überblick über den Stand der Technik [2019]
Elton, Daniel C., Zois Boukouvalas, Mark D. Fuge und Peter W. Chung.
Molekulares Systemdesign und Engineering 4.4 (2019)
Inverses molekulares Design mittels maschinellem Lernen: Generative Modelle für die Materietechnik [2018]
Sanchez-Lengeling, Benjamin und Alán Aspuru-Guzik.
Wissenschaft 361.6400 (2018)
DrugBank
ZINK 15
ZINK 20
PubChem
ChEMBL
GDB-Datenbanken
ChemSpider
QM-Datensatz
KOKOSNUSS | Sammlung der Open Natural Products-Datenbank
MolData
Ein molekularer Maßstab für krankheits- und zielbasiertes maschinelles Lernen
https://github.com/LumosBio/MolData
Benchmarking-Studie zu tiefen generativen Modellen für das inverse Polymerdesign [2024]
Yue T, Tao L, Varshney V, Li Y.
chemrxiv-2024-gzq4r (2024)
RediscMol: Benchmarking molekularer Erzeugungsmodelle in biologischen Eigenschaften [2024]
Weng, Gaoqi, Huifeng Zhao, Dou Nie, Haotian Zhang, Liwei Liu, Tingjun Hou und Yu Kang.
J. Med. Chem. 2024 | Code
Generative Modelle sollten zumindest in der Lage sein, Moleküle zu entwerfen, die gut andocken: Ein neuer Maßstab [2023]
Ciepliński, Tobiasz, Tomasz Danel, Sabina Podlewska und Stanisław Jastrzȩbski.
J. Chem. Inf. Modell. 2023, 63, 11, 3238–3247 | Code
Tartarus: Eine Benchmarking-Plattform für realistisches und praktisches inverses molekulares Design [2022]
Nigam, AkshatKumar, Robert Pollice, Gary Tom, Kjell Jorner, Luca A.
arXiv:2209.12487v1 | Code
Molecular Sets (MOSES): Eine Benchmarking-Plattform für molekulare Generationsmodelle [2020]
Polykovskiy, Daniil, Alexander Zhebrak, Benjamin Sanchez-Lengeling, Sergey Golovanov, Oktai Tatanov, Stanislav Belyaev, Rauf Kurbanov et al.
Grenzen der Pharmakologie 11 (2020) | Code
GuacaMol: Benchmarking-Modelle für de Novo Molecular Design [2019]
Brown, Nathan, Marco Fiscato, Marwin HS Segler und Alain C. Vaucher.
J. Chem. Inf. Modell. 2019, 59, 3, 1096–1108 | Code
Arzneimittelähnlichkeit kann als komplexes Gleichgewicht verschiedener molekularer Eigenschaften und Strukturmerkmale definiert werden, die bestimmen, ob ein bestimmtes Molekül den bekannten Arzneimitteln ähnlich ist. Diese Eigenschaften, hauptsächlich Hydrophobie, elektronische Verteilung, Wasserstoffbindungseigenschaften, Molekülgröße und -flexibilität und natürlich das Vorhandensein verschiedener pharmakophorer Merkmale, beeinflussen das Verhalten von Molekülen in einem lebenden Organismus, einschließlich Bioverfügbarkeit, Transporteigenschaften, Affinität zu Proteinen, Reaktivität, Toxizität und Stoffwechsel Stabilität und viele andere.
https://github.com/AspirinCode/DrugAI_Drug-Likeness
quantitative Schätzung der Arzneimittelähnlichkeit
quantitative Schätzung der Protein-Protein-Wechselwirkung, die auf die Arzneimittelähnlichkeit abzielt
Quantitativer Schätzindex für das Screening von Verbindungen im Frühstadium, die auf Protein-Protein-Wechselwirkungen abzielen [2021]
Kosugi, Takatsugu und Masahito Ohue.
International Journal of Molecular Sciences 22.20 (2021) | Code
Quantitative Schätzung der Protein-Protein-Interaktion mit dem Ziel der Arzneimittelähnlichkeit [2021]
Kosugi, Takatsugi und Masahito Ohue.
CIBCB. IEEE, (2021) | Code
Schätzung der synthetischen Zugänglichkeitsbewertung von arzneimittelähnlichen Molekülen basierend auf molekularer Komplexität und Fragmentbeiträgen
J Cheminform 1, 8 (2009) | Code
Retrosynthetic Accessibility Score (RAscore) – schnelle maschinell erlernte Synthesefähigkeitsklassifizierung durch KI-gesteuerte Retrosyntheseplanung
Chemische Wissenschaft 12.9 (2021) | Code
Hamiltonsche Diversität: Effektive Messung der molekularen Diversität durch kürzeste Hamiltonsche Kreisläufe [2024]
Hu, X., Liu, G., Yao, Q. et al.
J Cheminform 16, 94 (2024) | Code
Spacial Score – Ein umfassender topologischer Indikator für die Komplexität kleiner Moleküle [2023]
Krzyzanowski, Adrian, Axel Pahl, Michael Grigalunas und Herbert Waldmann.
J. Med. Chem. (2023) | chemrxiv-2023-nd1ll | Code
Eine automatisierte Bewertungsfunktion zur Erleichterung und Standardisierung der Bewertung zielgerichteter generativer Modelle für das De-novo-Moleküldesign [2023]
Thomas, Morgan, Noel M. O'Boyle, Andreas Bender und Chris De Graaf.
chemrxiv-2023-c4867 | Code
FCD: Fréchet ChemNet-Distanz
Fréchet ChemNet Distance: A Metric for Generative Models for Molecules in Drug Discovery Preuer, Kristina, Philipp Renz, Thomas Unterthiner, Sepp Hochreiter und Gunter Klambauer.
J. Chem. Inf. Modell. 2018, 58, 9, 1736–1741 | Code
Ratlosigkeitsbasiertes Molekülranking und Bias-Schätzung chemischer Sprachmodelle [2022]
Moret, M., Grisoni, F., Katzberger, P. und Schneider, G.
J. Chem. Inf. Modell. 2022, 62, 5, 1199–1206 | Code
Deep-Learning-unterstützte verbesserte Probenahme zur Erforschung molekularer Konformationsänderungen [2023]
Haohao Fu, Han Liu, Jingya Xing, Tong Zhao, Xueguang Shao und Wensheng Cai.
J. Phys. Chem. B (2023)
Ein End-to-End-Framework für die Generierung molekularer Konformationen mittels Bilevel-Programmierung [2021]
Xu, Minkai, Wujie Wang, Shitong Luo, Chence Shi, Yoshua Bengio, Rafael Gomez-Bombarelli und Jian Tang.
Internationale Konferenz zum maschinellen Lernen. PMLR (2021) | Code
AGDIFF: Aufmerksamkeitsverstärkte Diffusion für die Vorhersage molekularer Geometrie [204]
Kim, S., Woo, J. & Kim, WY
ChemRxiv. (2024) | Code
Diffusionsbasierte generative KI zur Untersuchung von Übergangszuständen aus 2D-Molekülgraphen [204]
Kim, S., Woo, J. & Kim, WY
Nat Commun 15, 341 (2024) | Code
Physikalisch fundiertes generatives Modell für Konformere arzneimittelähnlicher Moleküle [204]
David C. Williams, Neil Imana.
arXiv:2403.07925. (2024) | Code
DynamicsDiffusion: Generierung und Sampling seltener Ereignisse molekulardynamischer Trajektorien mithilfe von Diffusionsmodellen [2023]
Petersen, Magnus, Gemma Roig und Roberto Covino.
NeurIPS 2023 AI4Science (2023)
Erzeugung molekularer Konformerfelder [2023]
Yuyang Wang, Ahmed Elhag, Navdeep Jaitly, Joshua Susskind, Miguel Bautista.
[NeurIPS 2023 Generative AI and Biology (GenBio) Workshop (2023)]https://openreview.net/forum?id=Od1KtMeAYo)
Zur Beschleunigung der diffusionsbasierten molekularen Konformationsgenerierung im SE(3)-invarianten Raum [2023]
Zhou, Z., Liu, R. und Yu, T.
arXiv:2310.04915 (2023))
Molekulare Konformationsgenerierung durch Shifting Scores [2023]
Zhou, Zihan, Ruiying Liu, Chaolong Ying, Ruimao Zhang und Tianshu Yu.
arXiv:2309.09985 (2023)
EC-Conf: Ein ultraschnelles Diffusionsmodell zur Erzeugung molekularer Konformationen mit äquivarianter Konsistenz [2023]
Fan, Zhiguang, Yuedong Yang, Mingyuan Xu und Hongming Chen.
arXiv:2308.00237 (2023)
Torsionsdiffusion zur Erzeugung molekularer Konformere [2022]
Jing, Bowen, Gabriele Corso, Jeffrey Chang, Regina Barzilay und Tommi Jaakkola.
NeurIPS. (2022) | Code
GeoDiff: Ein geometrisches Diffusionsmodell zur Erzeugung molekularer Konformationen [2022]
Xu, Minkai, Lantao Yu, Yang Song, Chence Shi, Stefano Ermon und Jian Tang.
Internationale Konferenz über Lernrepräsentationen. (2022) | Code
Beschleunigte Entdeckung von Carbamat-Cbl-b-Inhibitoren mithilfe generativer KI-Modelle und strukturbasiertem Arzneimitteldesign [2024]
Quinn, TR, Giblin, KA, Thomson, C., Boerth, JA, Bommakanti, G., Braybrooke, E., Chan, C., Chinn, AJ, Code, E., Cui, C. und Fan, Y.
J. Med. Chem. (2024) | Code
Reinvent 4: Modernes KI-gesteuertes generatives Moleküldesign [2024]
Hannes H. Loeffler, Jiazhen He, Alessandro Tibo, Jon Paul Janet, Alexey Voronov, Lewis H. Mervin und Ola Engkvist
Journal of Cheminformatics,16(20) (2024) | Code
Chemistry42: Eine KI-gesteuerte Plattform für molekulares Design und Optimierung [2023]
Ivanenkov, Yan A., Daniil Polykovskiy, Dmitry Bezrukov, Bogdan Zagribelnyy, Vladimir Aladinskiy, Petrina Kamya, Alex Aliper, Feng Ren und Alex Zhavoronkov.
Journal of Chemical Information and Modeling 63,3 (2023) | Web
Transkriptionell bedingtes rekurrentes neuronales Netzwerk für De-Novo-Arzneimitteldesign [2024]
Matsukiyo, Y., Tengeiji, A., Li, C. und Yamanishi, Y.
J. Chem. Inf. Modell. (2024) | Code
Prospektives De-novo-Arzneimitteldesign mit tiefem Interaktom-Lernen [2024]
Atz, K., Cotos, L., Isert, C. et al.
Nat Commun 15, 3408 (2024) | Code
CNSMolGen: ein auf bidirektionalen rekurrenten neuronalen Netzen basierendes generatives Modell für das De-novo-Arzneimitteldesign des Zentralnervensystems [2024]
Gou, Rongpei, Jingyi Yang, Menghan Guo, Yingjun Chen und Weiwei Xue.
chemrxiv-2024-x4wbl (2024) | Code
NovoMol: Rekurrentes neuronales Netzwerk für oral bioverfügbares Arzneimitteldesign und -validierung am PDGFRα-Rezeptor [2023]
Rao, Ishir.
arXiv:2312.01527 (2023) | Code
Generierung einer fokussierten Arzneimittelmolekülbibliothek mithilfe eines rekurrenten neuronalen Netzwerks [2023]
Zou, Jinping, Long Zhao und Shaoping Shi.
Journal of Molecular Modeling 29.12 (2023) | Code
ChemTSv2: Funktionelles molekulares Design mit De-novo-Molekülgenerator [2023]
Ishida, Shoichi, Tanuj Aasawat, Masato Sumita, Michio Katouda, Tatsuya Yoshizawa, Kazuki Yoshizoe, Koji Tsuda und Kei Terayama.
Wiley Interdisziplinäre Rezensionen: Computational Molecular Science (2023) | Code
Nutzung von Reinforcement Learning für das De-novo-Arzneimitteldesign [2023]
Svensson, Hampus Gummesson, Christian Tyrchan, Ola Engkvist und Morteza Haghir Chehreghani.
arXiv:2303.17615 (2023) | Code
De-novo-Arzneimitteldesign basierend auf Stack-RNN mit belohnungsgewichteter Summe mit mehreren Zielen und Verstärkungslernen [2023]
Hu, P., Zou, J., Yu, J. et al.
J Mol Model 29, 121 (2023) | Code
Zur Schwierigkeit, molekulare generative Modelle realistisch zu validieren: Eine Fallstudie zu öffentlichen und proprietären Daten [2023]
Handa, Koichi, Morgan Thomas, Michiharu Kageyama, Takeshi Iijima und Andreas Bender.
chemrxiv-2023-lbvgn | Code
Magicmol: eine leichte Pipeline für die Entwicklung arzneimittelähnlicher Moleküle und die schnelle Erforschung des chemischen Weltraums [2023]
Chen, Lin, Qing Shen und Jungang Lou.
BMC Bioinformatik (2023) | Code
Augmented Hill-Climb erhöht die Effizienz des Verstärkungslernens für die sprachbasierte De-novo-Molekülgenerierung [2022]
Thomas, M., O'Boyle, NM, Bender, A. et al.
J Cheminform (2022) | Code
De-novo-Moleküldesign mit chemischen Sprachmodellen [2022]
Grisoni, F., Schneider, G.
Künstliche Intelligenz im Arzneimitteldesign. Methoden der Molekularbiologie, Band 2390.(2022) | Code
Korreliertes RNN-Framework zur schnellen Generierung von Molekülen mit gewünschten Eigenschaften für energetische Materialien im Low-Data-Regime [2022]
Li, Chuan, Chenghui Wang, Ming Sun, Yan Zeng, Yuan Yuan, Qiaolin Gou, Guangchuan Wang, Yanzhi Guo und Xuemei Pu.
J. Chem. Inf. Modell. (2022) | Code
Optimierung wiederkehrender neuronaler Netzwerkarchitekturen für das De-Novo-Arzneimitteldesign [2021]
Santos, BP, Abbasi, M., Pereira, T., Ribeiro, B. & Arrais, JP
Papier | Code
Ein rekurrentes neuronales Netzwerk (RNN), das wirkstoffähnliche Moleküle für die Arzneimittelforschung erzeugt [2021]
Code
Ein generatives Molekülmodell verwendete den Interaktionsfingerabdruck (Andockhaltung) als Einschränkungen [2021]
Code
Bidirektionale Molekülerzeugung mit rekurrenten neuronalen Netzen [2020]
Grisoni, F., Moret, M., Lingwood, R. & Schneider, G.
J. Chem. Inf. Modell. (2020) | Code
Direkte Steuerung der De-novo-Molekülgenerierung mit deskriptorbedingten rekurrenten neuronalen Netzen [2019]
Kotsias, PC., Arús-Pous, J., Chen, H. et al.
Nat Mach Intell 2, 254–265 (2020) | Code
ChemTS: Eine effiziente Python-Bibliothek für die De-novo-Molekülerzeugung [2017]
Yang, X., Zhang, J., Yoshizoe, K., Terayama, K. und Tsuda, K.
Wissenschaft und Technologie fortschrittlicher Materialien (2017) | Code
ClickGen: Gezielte Erforschung des synthetisierbaren chemischen Raums durch modulare Reaktionen und Verstärkungslernen [2024]
Wang, M., Li, S., Wang, J. et al.
Nat Commun 15, 10127 (2024) | Code
DigFrag als digitale Fragmentierungsmethode für das auf künstlicher Intelligenz basierende Arzneimitteldesign [2024]
Yang, R., Zhou, H., Wang, F. et al.
Commun Chem 7, 258 (2024) | Code
Prospektives De-novo-Arzneimitteldesign mit tiefem Interaktom-Lernen [2024]
Atz, K., Cotos, L., Isert, C. et al.
Nat Commun 15, 3408 (2024) | Code
Computergestützte Arzneimittelentdeckung für HIV-Viren mit einer maßgeschneiderten LSTM-Variations-Autoencoder-Deep-Learning-Architektur [2023]
Kutsal, Mucahit, Ferhat Ucar und Nida Kati.
CPT: Pharmakometrie und Systempharmakologie. (2023) | Code
Strukturierte Zustandsraum-Sequenzmodelle für das De-Novo-Arzneimitteldesign [2023]
Özçelik R, de Ruiter S, Grisoni F.
chemrxiv-2023-jwmf3. (2023) | Code
Integration der synthetischen Zugänglichkeit mit KI-basiertem generativem Arzneimitteldesign [2023]
Parrot, M., Tajmouati, H., da Silva, VBR et al.
J Cheminform 15, 83 (2023) | Code
Tiefes Interaktom-Lernen für das De-novo-Arzneimitteldesign [2023]
Atz K, Cotos Muñoz L, Isert C, Håkansson M, Focht D, Nippa DF, et al.
chemrxiv-2023-cbq9k (2023)
Deep-Learning-gesteuertes De-novo-Arzneimitteldesign basierend auf gastrischen Protonenpumpenstrukturen [2023]
Abe, K., Ozako, M., Inukai, M. et al.
Commun Biol 6, 956 (2023) | Code
Künstliche Intelligenz zur Vorhersage biologischer Aktivitäten und Erzeugung molekularer Treffer mithilfe stereochemischer Informationen [2023]
Pereira, Tiago O., Maryam Abbasi, Rita I. Oliveira, Romina A. Guedes, Jorge AR Salvador und Joel P. Arrais.
Forschungsplatz. (2023) | Code
LOGIK: Erlernen der optimalen generativen Verteilung für den Entwurf chemischer De-novo-Strukturen [2023]
Bae, B., Bae, H. & Nam, H.
J Cheminform 15, 77 (2023) | Code
Nutzung molekularer Struktur und Bioaktivität mit chemischen Sprachmodellen für das De-novo-Arzneimitteldesign [2023]
Kotsias, PC., Arús-Pous, J., Chen, H. et al.
Nat Commun 14, 114 (2023) | Code
SMILES-basiertes CharLSTM mit Feinabstimmung und zielgerichteter Generierung über Richtliniengradienten [2022]
Code
DeLA-Drug: Ein Deep-Learning-Algorithmus für das automatisierte Design arzneimittelähnlicher Analoga [2022]
Creanza, TM, Lamanna, G., Delre, P., Contino, M., Corriero, N., Saviano, M., ... & Ancona, N.
J. Chem. Inf. Modell. (2022) | Web
De-novo-Design und Bioaktivitätsvorhersage der wichtigsten Proteaseinhibitoren von SARS-CoV-2 unter Verwendung rekurrenten neuronalen Netzwerk-basierten Transferlernens [2021]
Santana, MVS, Silva-Jr, FP
BMC Chemie 15, 8 (2021) | Code
Generative rekurrente Netzwerke für das De-Novo-Arzneimitteldesign [2018]
Gupta, A., Müller, AT, Huisman, BJ, Fuchs, JA, Schneider, P., & Schneider, G.
Mol informieren. 2018 | Code
Generative rekurrente neuronale Netze für das De-Novo-Arzneimitteldesign [2017]
Gupta, Anvita et al.
Mol informieren. 2018 | Code
Saturn: Probeneffizientes generatives molekulares Design mittels Gedächtnismanipulation [2024]
Jeff Guo, Philippe Schwaller.
arXiv:2405.17066 (2024) | Code
Ermöglichung der zielbewussten Molekülgenerierung zur Verfolgung mehrerer Ziele mit Pareto MCTS [2024]
Yang, Y., Chen, G., Li, J. et al.
Commun Biol 7, 1074 (2024) | Code
PocketFlow ist ein daten- und wissensgesteuertes strukturbasiertes molekulares generatives Modell [2024]
Shengyong Yang, Yuanyuan Jiang, Guo Zhang et al.
Nat Mach Intell (2024) | Forschungsplatz. VORDRUCK. (2023) | Code
De-Novo-Moleküldesign für voreingenommene Eigenschaften mithilfe eines tiefen generativen Frameworks und iterativem Transferlernen [2024]
Sattari, Kianoosh, Dawei Li, Bhupalee Kalita, Yunchao Xie, Fatemeh Barmaleki Lighvan, Olexandr Isayev und Jian Lin.
Digitale Entdeckung (2024) | Code
Symphony: Symmetrieäquivariante punktzentrierte sphärische Harmonische für die 3D-Molekülerzeugung [2024]
Ameya Daigavane und Song Eun Kim sowie Mario Geiger und Tess Smidt.
ICLR (2024) | Code
Autoregressive fragmentbasierte Diffusion für taschenbewusstes Ligandendesign [2023]
Ghorbani, Mahdi, Leo Gendelev, Paul Beroza und Michael Keiser.
NeurIPS 2023 Workshop zu generativer KI und Biologie (GenBio). (2023) | Code
Lernen über topologische Oberflächen und geometrische Strukturen für die 3D-Molekülerzeugung [2023]
Zhang, Odin, Tianyue Wang, Gaoqi Weng, Dejun Jiang, Ning Wang, Xiaorui Wang, Huifeng Zhao et al.
Nat Comput Sci (2023) | Code
ResGen ist ein taschentaugliches 3D-Molekülgenerierungsmodell, das auf paralleler Multiskalenmodellierung basiert [2023]
Zhang, O., Zhang, J., Jin, J. et al.
Nat Mach Intell (2023) | Code
FFLOM: Ein flussbasiertes autoregressives Modell zur Fragment-to-Lead-Optimierung [2023]
Jieyu Jin, Dong Wang, Guqin Shi, Jingxiao Bao, Jike Wang, Haotian Zhang, Peichen Pan, Dan Li, Xiaojun Yao, Huanxiang Liu, Tingjun Hou und Yu Kang
J. Med. Chem. (2023) | Code
Domänenunabhängige Molekülgenerierung mit Selbstfeedback [2023]
Yin Fang, Ningyu Zhang, Zhuo Chen, Xiaohui Fan, Huajun Chen
arXiv:2301.11259v3 | Code
GraphAF: ein flussbasiertes autoregressives Modell zur Erzeugung molekularer Graphen [2020]
Shi, C., Xu, M., Zhu, Z., Zhang, W., Zhang, M. & Tang, J.
ICLR (2020) |arXiv:2001.09382 | Code
Diffusionsbasiertes generatives wirkstoffähnliches molekulares Editieren mit chemischer natürlicher Sprache [2024]
Jianmin Wang, Peng Zhou, Zixu Wang, Wei Long, Yangyang Chen, Kyoung Tai No, Dongsheng Ouyang*, Jiashun Mao* und Xiangxiang Zeng*.
J. Pharm. Anal. (2024) | Code
Nutzung von Tree-Transformer VAE mit Fragment-Tokenisierung für ein leistungsstarkes großes chemisches generatives Modell [2024]
Inukai T, Yamato A, Akiyama M, Sakakibara Y.
ChemRxiv. (2024) | Code
Ein Deep-Learning-Ansatz zur rationalen Ligandengenerierung mit Toxizitätskontrolle über reaktive Bausteine [2024]
Li, P., Zhang, K., Liu, T. et al.
Nat Comput Sci (2024) | Code
Ein grundlegendes Modell für chemisches Design und Eigenschaftsvorhersage [2024]
Cai, F., Zhu, T., Tzeng, TR, Duan, Y., Liu, L., Pilla, S., Li, G. und Luo, F.
arXiv:2410.21422 (2024) | Code
SE(3) Äquivariante Topologien für die strukturbasierte Wirkstoffentwicklung [2024]
Prat A, Abdel Aty H, Pabrinkis A, Bastas O, Paquet T, Kamuntavičius G, et al.
ChemRxiv. (2024)
Graphendiffusionstransformatoren für die multibedingte Molekülerzeugung [2024]
Liu, Gang, Jiaxin Xu, Te Luo und Meng Jiang.
NeurIPS 2024 (mündlich). (2024) | Code
Umfassende lokale chemische Weltraumforschung mithilfe eines Transformatormodells [2024]
Tibo, A., He, J., Janet, JP et al.
Nat Commun 15, 7315 (2024) | Code
Transformer Graph Variational Autoencoder für generatives molekulares Design [2024]
Nguyen, Trieu und Aleksandra Karolak.
bioRxiv (2024)
BindGPT: Ein skalierbares Framework für 3D-Moleküldesign durch Sprachmodellierung und Reinforcement Learning [2024]
Zholus, Artem, Maksim Kuznetsov, Roman Schutski, Rim Shayakhmetov, Daniil Polykovskiy, Sarath Chandar und Alex Zhavoronkov.
arXiv:2406.03686 (2024)
Erforschung neuartiger Fentanyl-Analoga mithilfe eines graphbasierten Transformatormodells [2024]
Zhang, Guangle, Yuan Zhang, Ling Li, Jiaying Zhou, Honglin Chen, Jinwen Ji, Yanru Li, Yue Cao, Zhihui Xu und Cong Pian.
Interdisziplinäre Wissenschaften: Computational Life Sciences (2024) | Code
TenGAN: Reine Transformatorencoder bilden ein effizientes diskretes GAN für die De-Novo-Molekülerzeugung [2024]
Li, Chen und Yoshihiro Yamanishi.
Internationale Konferenz über künstliche Intelligenz und Statistik. PMLR (2024)
DockingGA: Verbesserung der gezielten Molekülerzeugung mithilfe eines transformatorischen neuronalen Netzwerks und eines genetischen Algorithmus mit Docking-Simulation [2024]
Changnan Gao, Wenjie Bao, Shuang Wang, Jianyang Zheng, Lulu Wang, Yongqi Ren, Linfang Jiao, Jianmin Wang, Xun Wang.
Briefings in funktioneller Genomik (2024) | Code
Muss SICHER sein: Ein neuer Rahmen für molekulares Design [2024]
Noutahi, Emmanuel, Cristian Gabellini, Michael Craig, Jonathan SC Lim und Prudencio Tossou.
Digitale Entdeckung (2024) | arXiv:2310.10773 (2023) | Code
Steigerung der Effizienz des molekularen Designs: Vereinigung von Sprachmodellen und generativen Netzwerken mit genetischen Algorithmen [2024]
Bhowmik, Debsindhu, Pei Zhang, Zachary Fox, Stephan Irle und John Gounley.
Muster (2024) | Code
ChemSpaceAL: Eine effiziente aktive Lernmethode für die proteinspezifische Molekülerzeugung [2024]
Kyro, Gregory W., Anton Morgunov, Rafael I. Brent und Victor S. Batista.
J. Chem. Inf. Modell. (2024) | Code
Evaluierung des Reinforcement Learning im transformatorbasierten Molekulardesign [2024]
He J, Tibo A, Janet JP, Nittinger E, Tyrchan C, Czechtizky W, et al.
chemrxiv-2024-r9ljm (2024) | Code
Dual-Space-Optimierung: Verbessertes Molekülsequenzdesign durch Latent Prompt Transformer [2024]
Deqian Kong und Yuhao Huang und Jianwen Xie und Edouardo Honig und Ming Xu und Shuanghong Xue und Pei Lin und Sanping Zhou und Sheng Zhong und Nanning Zheng und Ying Nian Wu.
arXiv:2402.17179 (2024)
Ein neuartiges molekülgeneratives Modell von VAE kombiniert mit Transformer [2024]
Yasuhiro Yoshikai und Tadahaya Mizuno und Shumpei Nemoto und Hiroyuki Kusuhara.
arXiv:2402.11950 (2024) | Code
GexMolGen: Cross-modale Generierung von Hit-like-Molekülen über die Codierung von Genexpressionssignaturen in großen Sprachmodellen [2024]
Cheng, Jia-Bei, Xiaoyong Pan, Kaiyuan Yang, Shenghao Cao, Bin Liu, Qingran Yan und Ye Yuan.
bioRxiv (2024) | Code
Von der lokalen Gerüstdiversität beigetragener Generator zur Entdeckung potenzieller NLRP3-Inhibitoren [2024]
Weichen Bo, Yangqin Duan, Yurong Zou, Ziyan Ma, Tao Yang, Peng Wang, Tao Guo, Zhiyuan Fu, Jianmin Wang, Linchuan Fan, Jie liu, Taijin Wang und Lijuan Chen.
J. Chem. Inf. Modell. (2024) | Code
Zielbewusste Molekülgenerierung für das Arzneimitteldesign mithilfe eines chemischen Sprachmodells [2024]
Xia, Yingce, Kehan Wu, Pan Deng, Renhe Liu, Yuan Zhang, Han Guo, Yumeng Cui et al.
bioRxiv (2024)
Beschleunigung der Entdeckung neuartiger und bioaktiver Liganden mit Pharmakophor-informierten generativen Modellen [2024]
Xie, Wexin, Jianhang Zhang, Qin Xie, Chaojun Gong, Youjun Xu, Luhua Lai und Jianfeng Pei.
ARXIV: 2401.01059 (2024) | Code
Ein selbstbedingbares Polymer-Entdeckungsrahmen basierend auf dem bedingten generativen Modell [2023]
Xiangyun Lei und Weike Ye und Zhenze Yang und Daniel Schweigert und Ha-Kyung Kwon und Arash Khajeh.
ARXIV: 2312.04013. (2023)
LLAMOL: Ein dynamischer multi-konditionaler generativer Transformator für das De-novo-Molekulardesign [2023]
Dobberstein, Niklas, Astrid Maass und Jan Hamaeekers.
ARXIV: 2311.14407. (2023) | Code
GraphGPT: Ein Diagramm hat den generativen vorbereiteten Transformator für die konditionierte molekulare Erzeugung verstärkt [2023]
Lu, Hao, Zhiqiang Wei, Xuze Wang, Kun Zhang und Hao Liu.
Internationales Journal of Molecular Sciences 24.23 (2023) | Code
Protacable ist eine integrative Computerpipeline der 3-D-Modellierung und Deep-Lernen, um das De-novo-Design von Protakern zu automatisieren [2023]
Hazem MSLATI, Francesco Gentile, Mohit Pandey, Fuqiang -Verbot, Artem Cherkasov.
BIORXIV 2023.11.20.567951. (2023) | Code
Strategie und Optimierung der molekularen Generation basierend auf A2C -Verstärkungslernen im De -novo -Arzneimitteldesign [2023]
Wang, Qian, Zhiqiang Wei, Xiaotong Hu, Zhuoya Wang, Yujie Dong und Hao Liu.
Bioinformatik: BTAD693. (2023) | Code
Cross-Modal-Generation von Hit-ähnlichen Molekülen über das Foundation-Modell, das von Genexpressionssignaturen codiert [2023]
Jiabei Cheng, Xiaoyong Pan, Kaiyuan Yang, Shenghao Cao, bin Liu, Ye Yuan.
BIORXIV 2023.11.11.566725. (2023) | Code
Reinvent4: Modernes AI -gesteuerter Generativmolekül -Design [2023]
Loeffler H, HE J, Tibo A, Janet JP, Voronov A, Mervin L, et al.
ChemRXIV-2023-XT65X (2023) | Code
Optimierung von Bindungsaffinitäten im chemischen Raum mit Transformator und tiefem Verstärkungslernen [2023]
Xu, Xiaopeng, Juexiao Zhou, Chen Zhu, Qing Zhan, Zhongxiao Li, Ruochi Zhang, Yu Wang, Xingyu Liao und Xin Gao.
Chemrxiv-2023-7v4sw (2023) | Code
Suche nach hochwertigen Molekülen mit Verstärkungslernen und Transformatoren [2023]
Raj Ghugare und Santiago Miret und Adriana Hugessen und Mariano Phielipp und Glen Berseth.
ARXIV: 2310.02902 (2023)
Molekular de novo Design durch transformatorbasiertes Verstärkungslernen [2023]
Feng, Tao, Pengcheng Xu, Tianfan Fu, Siddhartha Laghuvarapu und Jimeng Sun.
ARXIV: 2310.05365 (2023)
Probabilistische Generative -Transformator -Sprachmodelle für das generative Design von Molekülen [2023]
Wei, L., Fu, N., Song, Y. et al.
J Cheminform 15, 88 (2023) | Code
De -novo -Arzneimitteldesign mit gemeinsamen Transformatoren [2023]
Adam Izdebski und Ewelina Węglarz-Tomczak und Ewa Szczurek und Jakub M. Tomczak
ARXIV: 2310.02066. (2023)
Strukturierte State-Raum-Sequenzmodelle für das De-novo-Arzneimitteldesign [2023]
Özçelik R, De Ruiter S., Grisoni F.
Chemrxiv-2023-JWMF3. (2023) | Code
De-novo-Erzeugung chemischer Strukturen von Inhibitor- und Aktivatorkandidaten für therapeutische Zielproteine durch einen transformator-basierten variativen Autoencoder- und Bayesian-Optimieren [2023]
Yuki Matsukiyo, Chikashige Yamanaka und Yoshihiro Yamanishi.
J. Chem. Inf. Modell. (2023) | Code
Ein umgekehrter Transformator GaN erzeugt mit Eigenschaftenoptimierung beschränkte Moleküle. [2023]
Li, C., Yamanishi, Y.
ECML PKDD (2023) | Code
CHEMSPACEAL: Eine effiziente aktive Lernmethode, die auf die proteinspezifische molekulare Erzeugung angewendet wird [2023]
Kyro, Gregory W., Anton Morgunov, Rafael I. Brent und Victor S. Batista.
ARXIV: 2309.05853 (2023) | Code
Effizientes 3D -molekulares Design mit einem E (3) invarianten Transformator VAE [2023]
Dollar, Orion, Nisarg Joshi, Jim Pfaendtner und David AC Beck.
Das Journal of Physical Chemistry A (2023) | Code
LINGO3DMOL: Erzeugung eines 3D-Moleküls mit Taschenbasis unter Verwendung eines Sprachmodells [2023]
Wang, Lvwei, Zaiyun Lin, Yanhao Zhu, Rong Bai, Wei Feng, Huting Wang, Jielong Zhou, Wei Peng, Bo Huang und Wenbiao Zhou.
ARXIV: 2305.10133 (2023) | Code
FSM-DDTR: End-to-End-Feedback-Strategie für Multi-Objektive De-novo-Arzneimitteldesign unter Verwendung von Transformatoren [2023]
Monteiro, Nelson RC, Tiago O. Pereira, Ana Catarina D. Machado, José L. Oliveira, Maryam Abbasi und Joel P. Arrais.
Computer in Biologie und Medizin (2023) | Code
Makrocyclisierung linearer Moleküle durch tiefes Lernen, um makrocyclische Wirkstoffkandidaten zu erleichtern [2023]
Diao, Y., Liu, D., GE, H. et al.
Nat Commun 14, 4552 (2023) | Code
De -novo -Arzneimitteldesign basierend auf Profilen der Patientengenexpression durch tiefes Lernen [2023]
Yamanaka, Chikashige, Shunya Uki, Kazuma Kaitoh, Michio Iwata und Yoshihiro Yamanishi.
Molekulare Informatik (2023) | Code
Transformator-basierte Deep-Learning-Methode zur Optimierung der Admetteigenschaften von Bleiverbindungen [2023]
Yang, Lijuan, Chao Jin, Guanghui Yang, Zhitong Bing, Liang Huang, Yuzhen Niu und Lei Yang.
Physikalische Chemie Chemische Physik 25.3 (2023)
Sequenzbasiertes Arzneimitteldesign als Konzept im Computer-Arzneimitteldesign [2023]
Chen, L., Fan, Z., Chang, J. et al.
Nat Commun 14, 4217 (2023) | Code
DrugGPT: Eine GPT-basierte Strategie zur Gestaltung potenzieller Liganden, die auf bestimmte Proteine abzielen [2023]
Yuesen Li, Chengyi Gao, Xin Song, Xiangyu Wang, View Orcid Profilyungang Xu, Suxia Han
Biorxiv (2023) | Code
Präfixmol: Ziel- und Chemie-bewusstes Molekül-Design über Präfixeinbettung [2023]
Gao, Zhangyang, Yuqi Hu, Cheng Tan und Stan Z. Li.
ARXIV: 2302.07120 (2023) | Code
Adaptive Sprachmodelltraining für molekulare Designs [2023]
Andrew E. Blanchard, Debindhu Bhowmik, Zachary Fox, John Gounley, Jens Glaser, Belinda S. Akpa und Stephan Irle.
J Cheminform 15, 59 (2023) | Code
CMGN: Ein netzbedingter netzbedingter Netto der molekularen Erzeugung, um zielspezifische Moleküle mit gewünschten Eigenschaften zu entwerfen [2023]
Yang, Minjian, Hanyu Sun, Xue Liu, Xi Xue, Yafeng Deng und Xiaojian Wang.
Briefings in Bioinformatik, 2023;, Bbad185 | Code
CMOLGPT: Ein bedingter generativer vorgebildeter Transformator für die zielspezifische De-novo-molekulare Erzeugung [2023]
Wang, Ye, Honggang Zhao, Simone Sciabola und Wenlu Wang.
Moleküle 2023, 28 (11), 4430 | Code
Moleküleerzeugung unter Verwendung von Transformatoren und Richtliniengradientenverstärkungslernen [2023]
E. Mazuz, G. Shtar, B. Shapira et al.
SCI Rep 13, 8799 (2023) | Code
IUPACGPT: IUPAC-basierter großes molekulares vorgebildetes Modell für Eigenschaften und Moleküleerzeugung [2023]
Jishun Mao, Jianmin Wang, Kwang-Hwi Cho, Kyoung Tai Nr.
Chemrxiv-2023-5kjvh | Code
Molekulare Erzeugung mit reduzierter Markierung durch Einschränkungsarchitektur [2023]
Wang, Jike, Yundian Zeng, Huiyong Sun, Junmei Wang, Xiaorui Wang, Ruofan Jin, Mingyang Wang et al.
J. Chem. Inf. Modell. (2023) | Code
Generative Entdeckung neuartiger chemischer Konstruktionen unter Verwendung von Diffusionsmodellierung und Transformator Deep Neural Networks mit Anwendung auf tiefe eutektische Lösungsmittel [2023]
Luu, Rachel K., Marcin Wysokowski und Markus J. Buehler.
ARXIV: 2304.12400v1 | Code
Der Regressionstransformator ermöglicht eine gleichzeitige Regression und Erzeugung der Sequenz für die Modellierung der molekularen Sprache [2023]
Geboren, J., Manica, M.
Nat Mach Intell 5, 432–444 (2023) | Code
Transformatorbasiertes molekulares Generativmodell für antivirales Arzneimitteldesign [2023]
Mao, Jishun; Wang, Jianming; Zeb, Amir; Cho, Kwang-Hwi; Jin, Haiyan; Kim, Jongwan; Lee, Onju; Wang, Yunyun; Nein, Kyoung Tai.
J. Chem. Inf. Modell. (2023) | Code
Zielspezifisches De-novo-Design von Arzneimittelkandidatenmolekülen mit generativen kontumarischen Netzwerken auf Diagramme transformators [2023]
Ünlü, Atabey, Elif Çevrim, Ahmet Sarıgün, Hayriye Çelikbilek, Heval Ataş Güvenilir, Altay Koyaş, Deniz Cansen Kahraman, Ahmet Rifaioğlu und Abdurrahman Olmtaç.
ARXIV: 2302.07868v5
Trogex V3: Gerüst eingeschränkte Arzneimitteldesign mit Grafiktransformator-basierten Verstärkungslernen [2023]
Liu, X., Ye, K., Van Vlijmen, Hwt et al.
J Cheminform 15, 24 (2023) | Code
Erforschen Sie den drogenähnlichen Raum mit tiefen generativen Modellen [2023]
Wang, Jianmin et al.
Methoden (2023) | Code
Große chemische Sprachdarstellungen erfassen molekulare Struktur und Eigenschaften [2022]
Ross, J., Belgodere, B., Chenthamarakshan, V., Padhi, I., Mroueh, Y. & Das, P.
Nat Mach Intell 4, 1256–1264 (2022) | Code
Alphadrug: Proteinzielspezifisches De -novo -Molekulargenerierung [2022]
Qian, Hao, Cheng Lin, Dengwei Zhao, Shikui Tu und Lei Xu.
Pnas nexus (2022) | Code
Können wir schnell lernen, bioaktive Moleküle mit Transformatormodellen zu „übersetzen“? [2022]
Bagal, V., Aggarwal, R., Vinod, PK & Priyakumar, UD
Chemrxiv-2022-GLN27
MolGPT: Molekulare Erzeugung unter Verwendung eines Transformator-Decoder-Modells [2022]
Bagal, V., Aggarwal, R., Vinod, PK & Priyakumar, UD
J. Chem. Inf. Modell. 2022, 62, 9, 2064–2076 | Code
Schneidermoleküle für Proteintaschen: Eine generative Lösung auf Transformatorbasis für strukturiertes Arzneimitteldesign [2022]
Wu, K., Xia, Y., Fan, Y., Deng, P., Liu, H., Wu, L., ... & Liu, Ty
Arxiv.2209.06158 | Code
Ausnutzung von vorbereiteten biochemischen Sprachmodellen für gezielte Arzneimitteldesign [2022]
Uludoğan, Gökçe, Elif Ozkirimli, Kutlu O. Ulgen, Nilgün Karalı und Arzucan Özgür.
Bioinformatik (2022) | Code
Ein transformatorbasiertes generatives Modell für das De-novo-molekulare Design [2022]
Wang, Wenlu et al.
ARXIV: 2210.08749v2
Übersetzung zwischen Molekülen und natürliche Sprache [2022]
Edwards, C., Lai, T., Ros, K., Honke, G. & Ji, H.
ARXIV: 2204.11817V3 | Code
Der Regressionstransformator ermöglicht eine gleichzeitige Sequenzregression und -erzeugung für die molekulare Sprachmodellierung [2022]
Geboren, Jannis und Manica, Matteo
ARXIV: 2202.01338v3 | Code
Generative Vorausbildung von Molekülen [2021]
Adilov, Sanjar.
J. Chem. Inf. Modell. 2022, 62, 9, 2064–2076 | Code
Transformatoren für die Erzeugung der molekularen Graphen [2021]
Cofala, Tim und Oliver Kramer.
Esann 2021 | Code
Räumliche Erzeugung von Molekülen mit Transformatoren [2021]
Cofala, Tim und Oliver Kramer.
IJCNN52387.2021.9533439 (2021) | Code
Generativem chemischer Transformator: Neuronales maschinelles Lernen von molekularen geometrischen Strukturen aus chemischer Sprache über Attentio [2021]
Hyunseung Kim, Jonggeol Na*und gewann Bo Lee*.
J. Chem. Inf. Modell. 2021, 61, 12, 5804–5814 | Code
C5T5: Kontrollierbare Erzeugung von organischen Molekülen mit Transformator [2021]
D. Rothchild, A. Tamkin, J. Yu, U. Misra & J. Gonzalez, J.
ARXIV: 2108.10307V1 | Code
Molekulare Optimierung durch Erfassen der Intuition des Chemikers mit tiefen neuronalen Netzwerken [2021]
Er, J., du, H., Sandström, E. et al.
J Cheminform 13, 26 (2021) | Code
Transformator Neurales Netzwerk für proteinspezifische De-novo-Arzneimittelgenerierung als maschinelles Übersetzungsproblem [2021]
Grechishnikova, Daria.
Sci Rep 11, 321 (2021) | Code
Transmol: Ein Sprachmodell für die molekulare Erzeugung umzusetzen [2021]
Grechishnikova, Daria.
RSC Fortschritte. 2021; 11 (42): 25921-32. | Code
Aufmerksamkeitsbasierte generative Modelle für das De-novo-molekulare Design [2021]
Dollar, O., Joshi, N., Beck, DA und Pfaendtner, J.,,
Chemische Wissenschaft 12.24 (2021) | Code
Hebelung von Baumtransformatorvae mit Fragment-Tokenisierung für Hochleistungs große chemische generative Modell [2024]
Inukai T, Yamato A, Akiyama M, Sakakibara Y.
Chemrxiv. (2024) | Code
Transformator Graph Variational AutoCoder für generatives molekulares Design [2024]
Nguyen, Trieu und Aleksandra Karolak.
Biorxiv (2024)
Strukturbasiertes Arzneimitteldesign mit einem tiefen hierarchischen Generativmodell [2024]
Weller, Jesse A. und Remo Rohs.
J. Chem. Inf. Modell. (2024) | Code
Nutzung aktiver Unterräume zur Erfassung epistemischer Modellunsicherheit in tiefen Generativmodellen für molekulares Design [2024]
Abeer, Anm, Sanket Jantre, Nathan M. Urban und Byung-Jun Yoon.
ARXIV: 2405.00202 (2024)
GXVAES: Zwei gemeinsame Vaes erzeugen Treffermoleküle aus Genexpressionsprofilen [2024]
Li, Chen und Yoshihiro Yamanishi.
Verfahren der AAAI -Konferenz über künstliche Intelligenz. Bd. 38. Nr. 12. (2024) | Code
3D-Molekulargenerative Rahmen für mit Wechselwirkungsgeführte Arzneimitteldesign [2024]
Zhung, W., Kim, H. & Kim, WY
Nat Commun 15, 2688 (2024) | Code
Aufmerksamkeitsbasierte Moleküle -Erzeugung über hierarchischen Variations -Autocoder [2024]
Divahar Sivanesan.
ARXIV: 2402.16854. (2024)
Ein neuartiges Molekül generatives Modell von VAE kombiniert mit Transformator [2024]
Yasuhiro Yoshikai und Tadahaya Mizuno und Shumpei Nemoto und Hiroyuki Kusuhara.
ARXIV: 2402.11950 (2024) | Code
De -novo -Erzeugung und Identifizierung neuer Verbindungen mit Wirksamkeit von Arzneimitteln auf der Grundlage maschineller Lernen [2024]
Er, Dakuo, Qing Liu, Yan MI, Qingqi Meng, Libin Xu, Chunyu Hou, Jinpeng Wang et al.
Advanced Science (2024)
Rechenmedikamentenentdeckung auf HIV -Virus mit einer maßgeschneiderten LSTM -Variations -Autocoder -Deep -Learning -Architektur [2023]
Kutsal, Mucahit, Ferhat Ucar und Nida Kati.
CPT: Pharmakometrie & Systeme Pharmakologie. (2023) | Code
NRC-VABs: Normalisierte reparametrisierte bedingte variationsübergreifende Autoencoder mit angewandter Strahlsuche im latenten Raum für das Design des Arzneimittelmoleküls [2023]
Bhadwal, Arun Singh, Kamal Kumar und Neeraj Kumar.
Expertensysteme mit Anwendungen. (2023)
Zielbezogene Variations-Auto-Encoder für die Ligandengenerierung mit multimodaler Proteinmodellierung [2023]
NGO, Khang und Truong Son Hy.
Neurips 2023 Generative AI und Biologie (Genbio) Workshop. (2023) | Code
Interaktionsbewusstes 3D-molekularer Generativgerüst für verallgemeinerbare strukturbasierte Arzneimitteldesign [2023]
Woo Youn Kim, Wonho Zhung und Hyeongwoo Kim.
Forschungsplatz. (2023) | Code
Anwendung von Variationsgraphen-Encodern als effektiver Generalist-Algorithmus im computergestützten Arzneimitteldesign [2023]
Lam, Hyi, R. Pinckket, H. Han, H. et al.
Nat Mach Intell 5, 754–764 (2023) | Code
De-novo-Erzeugung chemischer Strukturen von Inhibitor- und Aktivatorkandidaten für therapeutische Zielproteine durch einen transformator-basierten variativen Autoencoder- und Bayesian-Optimieren [2023]
Yuki Matsukiyo, Chikashige Yamanaka und Yoshihiro Yamanishi.
J. Chem. Inf. Modell. (2023) | Code
Rebadd-SE: Multi-Objektive molekulare Optimierung unter Verwendung von Selfies-Fragment und außerkritischer Sequenztraining [2023]
Choi, Jonghwan, Sangmin Seo, Seunggyeon Choi, Shengmin Piao, Chihyun Park, Sung Jin Ryu, Byung Ju Kim und Sanghyun Park.
Computer in Biologie und Medizin 157 (2023) | Code
Effizientes 3D -molekulares Design mit einem E (3) invarianten Transformator VAE [2023]
Dollar, Orion, Nisarg Joshi, Jim Pfaendtner und David AC Beck.
Das Journal of Physical Chemistry A (2023) | Code
Multikonstrukte molekulare Erzeugung unter Verwendung spärlich markierter Trainingsdaten für lokalisiertes Elektrolyt-Verdünnungs-Screening mit hoher Konzentration [2023]
Mailoa, Jonathan P., Xin Li, Jiezhong Qiu und Shengyu Zhang.
Digitale Entdeckung (2023) | Code | Datensatz
Multi-Objektive molekulare Optimierung für die Behandlung von Opioidanwendung Störung unter Verwendung des generativen Netzwerkkomplexes [2023]
Feng, Hongsong, Rui Wang, Chang-Guo Zhan und Guo-Wei Wei.
J. Med. Chem. (2023) | Code
Gerüstgvae: Gerüstgenerierung und Hopfen von Arzneimittelmolekülen über einen Variationsautoencoder basierend auf Multi-View-Graph-Nervennetzwerken [2023]
Hu, Chao, Lied Li, Chenxing Yang, Jun Chen, Yi Xiong, Guisheng -Fan, Hao Liu und Liang Hong.
J Cheminform 15, 91 (2023) | Forschungsplatz. (2023) | Code
Tiefes generatives Design poröser organischer Käfige über einen variativen Autoencoder [2023]
Jiajun Zhou, Austin Mroz, Kim Jelfs*.
Chemrxiv (2023) | Code
Zielbewusste variationale automatische Encode für die Ligandenerzeugung mit multimodalem Proteinrepräsentationslernen [2023]
Nhat Khang Ngo, Truong Son Hy.
bioRxiv. (2023) | Code
De novo de
