papers for molecular design using DL
1.0.0
relacionado con IA generativa y aprendizaje profundo para el diseño molecular/de fármacos y la generación de conformación molecular .
Actualizando...
¡La optimización molecular será bienvenida!
Diseño molecular (de fármacos) utilizando inteligencia artificial generativa y aprendizaje profundo
| Menú | Menú | Menú | Menú |
|---|---|---|---|
| IA generativa para el descubrimiento científico | Reseñas | Conjuntos de datos y puntos de referencia | Métricas de evaluación y similitud con los medicamentos |
| Diseño basado en aprendizaje profundo | Modelos de generación molecular basados en texto. | Modelos generativos moleculares profundos basados en múltiples objetivos | Modelos generativos moleculares profundos basados en ligandos. |
| Modelos generativos moleculares profundos basados en farmacóforos. | Modelos generativos moleculares profundos basados en estructuras. | Modelos generativos moleculares profundos basados en fragmentos. | DMG basados en andamios |
| DMG basados en fragmentos | DMG basados en motivos | DMG basados en enlazadores | Modelos generativos moleculares profundos basados en reacciones químicas. |
| Modelos generativos moleculares profundos basados en ómicas. | Modelos generativos moleculares profundos multiobjetivo. | Modelos generativos moleculares profundos cuánticos. | Recomendaciones y referencias |
| Basado en espectros (masa/RMN) | Basado en espectros de masas | Basado en espectros de RMN | Basado en mapas Cryo-EM |
| Conjuntos de datos | Puntos de referencia | parecido a las drogas | Métricas de evaluación |
|---|---|---|---|
| Conjuntos de datos | Puntos de referencia | QED | puntuación SA |
| QEPPI | puntuación RA | ||
| Métricas de evaluación | |||
| Validación generativa molecular. |
| Menú | Menú |
|---|---|
| Punto de referencia para conjuntos de conformadores moleculares | Reseñas de Generación de conformación molecular |
| Generación de conformación molecular basada en VAE | Generación de conformación molecular basada en GAN |
| Generación de conformación molecular basada en energía | |
| Generación de conformación molecular basada en difusión | |
| Generación de conformación molecular basada en RL | |
| Generación de conformación molecular basada en GNN |
| Menú | Menú | Menú | Menú |
|---|---|---|---|
| Basado en RNN | Basado en LSTM | Modelos autorregresivos | Basado en transformador |
| Basado en VAE | Basado en GAN | Basado en flujo | Basado en avisos |
| Basado en puntuación | Basado en energía | Basado en difusión | DMG de aprendizaje activo |
| basado en RL | DMG multitarea | Búsqueda de árboles de Montecarlo | Basado en algoritmos genéticos |
| Basado en algoritmos evolutivos | Basado en modelos de lenguaje grande |
Diseño de materiales utilizando inteligencia artificial generativa y aprendizaje profundo
| Menú | Menú | Menú | Menú |
|---|---|---|---|
impresionante-AI4ProteinConformation-MD
https://github.com/AspirinCode/awesome-AI4ProteinConformation-MD
Modelo de lenguaje grande para ciencias biomédicas, descubrimiento de moléculas, proteínas y materiales.
https://github.com/HHW-zhou/LLM4Mol
Lista de artículos sobre diseño de proteínas utilizando Deep Learning
https://github.com/Peldom/papers_for_protein_design_using_DL
Impresionante IA generativa
https://github.com/steven2358/awesome-generative-ai
impresionante generacion molecular
https://github.com/amorehead/awesome-molecular-generación
Una encuesta sobre inteligencia artificial en el descubrimiento de fármacos
https://github.com/dengjianyuan/Survey_AI_Drug_Discovery
Aprendizaje profundo de geometría para el descubrimiento de fármacos y las ciencias biológicas
https://github.com/3146830058/Geometry-Deep-Learning-for-Drug-Discovery-and-Life-Science
Modelos de difusión en el diseño de fármacos de novo [204]
Alakhdar, Amira, Barnabas Poczos y Newell Washburn.
J. química. inf. Modelo. (2024)
Optimización profunda de clientes potenciales: aprovechamiento de la IA generativa para la modificación estructural [2024]
Zhang, Odin, Haitao Lin, Hui Zhang, Huifeng Zhao, Yufei Huang, Yuansheng Huang, Dejun Jiang, Chang-yu Hsieh, Peichen Pan y Tingjun Hou.
arXiv:2404.19230 (2024)
Liberar el potencial de la inteligencia artificial generativa en el descubrimiento de fármacos [2024]
Romanelli, Virgilio, Carmen Cerchia y Antonio Lavecchia.
Aplicaciones de la IA generativa (2024)
Avances recientes en el diseño automatizado de fármacos de novo basado en estructuras [2024]
Bai, Qifeng, Jian Ma y Tingyang Xu.
J. química. inf. Modelo. (2024)
Modelos generativos de aprendizaje profundo de IA para el descubrimiento de fármacos [2024]
Bai, Qifeng, Jian Ma y Tingyang Xu.
Aplicaciones de la IA generativa. Cham: Springer International Publishing (2024)
Modelos generativos profundos en la generación de moléculas de fármacos de novo [2024]
Xiangru Tang, Howard Dai, Elizabeth Knight, Fang Wu, Yunyang Li, Tianxiao Li, Mark Gerstein
arXiv:2402.08703 (2024) | código
Modelos generativos profundos en la generación de moléculas de fármacos de novo [2023]
Chao Pang, Jianbo Qiao, Xiangxiang Zeng, Quan Zou y Leyi Wei*
J. química. inf. Modelo. (2023)
La guía del autoestopista sobre la química generativa impulsada por el aprendizaje profundo [2023]
Yan Ivanenkov, Bogdan Zagribelnyy, Alex Malyshev, Sergei Evteev, Victor Terentiev, Petrina Kamya, Dmitry Bezrukov, Alex Aliper, Feng Ren y Alex Zhavoronkov
ACS Med. Química. Letón. (2023)
Computación cuántica para aplicaciones a corto plazo en química generativa y descubrimiento de fármacos [2023]
Pyrkov, Alexey, Alex Aliper, Dmitry Bezrukov, Yen-Chu Lin, Daniil Polykovskiy, Petrina Kamya, Feng Ren y Alex Zhavoronkov.
Descubrimiento de fármacos hoy (2023)
Una encuesta sistemática sobre el aprendizaje profundo geométrico para el diseño de fármacos basado en estructuras [2023]
Zaixi Zhang, Jiaxian Yan, Qi Liu, Enhong Chen
arXiv:2306.11768v2
¿Cómo afectará la IA generativa a la ciencia de datos en el descubrimiento de fármacos? [2023]
Vert, JP.
Nat Biotecnología (2023)
Modelos generativos como paradigma emergente en las ciencias químicas [2023]
Anstine, Dylan M. y Olexandr Isayev.
JACS (2023)
Modelos de lenguaje químico para el diseño de fármacos de novo: desafíos y oportunidades [2023]
Grisoni, Francesca.
Opinión actual en biología estructural 79 (2023)
Inteligencia artificial en el diseño de fármacos multiobjetivo [2023]
Luukkonen, Sohvi, Helle W. van den Maagdenberg, Michael TM Emmerich y Gerard JP van Westen.
Opinión actual en biología estructural 79 (2023)
Integración de enfoques basados en estructuras en el diseño molecular generativo [2023]
Thomas, Morgan, Andreas Bender y Chris de Graaf.
Opinión actual en biología estructural 79 (2023)
Datos abiertos y algoritmos para la ciencia abierta en informática molecular impulsada por IA [2023]
Brinkhaus, Henning Otto, Kohulan Rajan, Jonas Schaub, Achim Zielesny y Christoph Steinbeck.
Opinión actual en biología estructural 79 (2023)
Diseño de fármacos basado en estructuras con aprendizaje profundo geométrico [2023]
Isert, Clemens, Kenneth Atz y Gisbert Schneider.
Opinión actual en biología estructural 79 (2023)
MolGenSurvey: una encuesta sistemática sobre modelos de aprendizaje automático para el diseño de moléculas [2022]
Du, Yuanqi, Tianfan Fu, Jimeng Sun y Shengchao Liu.
arXiv:2203.14500 (2022)
El diseño molecular generativo profundo remodela el descubrimiento de fármacos [2022]
Zeng, Xiangxiang, Fei Wang, Yuan Luo, Seung-gu Kang, Jian Tang, Felice C. Lightstone, Evandro F. Fang, Wendy Cornell, Ruth Nussinov y Feixiong Cheng.
Medicina de informes celulares (2022)
Descubrimiento de fármacos basado en estructuras con aprendizaje profundo [2022]
Özçelik, Rıza, Derek van Tilborg, José Jiménez-Luna y Francesca Grisoni.
ChemBioChem (2022)
Modelos generativos para el descubrimiento molecular: avances y desafíos recientes [2022]
Bilodeau, Camille, Wengong Jin, Tommi Jaakkola, Regina Barzilay y Klavs F. Jensen.
Ciencia molecular computacional 12.5 (2022)
Evaluación de modelos generativos profundos en el espacio de composición química [2022]
Türk, Hanna, Elisabetta Landini, Christian Kunkel, Johannes T. Margraf y Karsten Reuter.
Química de Materiales 34.21 (2022)
Aprendizaje automático generativo para el descubrimiento de fármacos de novo: una revisión sistemática [2022]
Martinelli, Domingo.
Computadoras en Biología y Medicina 145 (2022)
Enfoques generativos basados en el acoplamiento en la búsqueda de nuevos fármacos candidatos [2022]
Danel, Tomasz, Jan Łęski, Sabina Podlewska e Igor T. Podolak.
Descubrimiento de fármacos hoy (2022)
Avances y desafíos en el diseño de fármacos de novo mediante modelos generativos profundos tridimensionales [2022]
Xie, Weixin, Fanhao Wang, Yibo Li, Luhua Lai y Jianfeng Pei.
J. química. inf. Modelo. 2022, 62, 10, 2269–2279
Aprendizaje profundo para catalizar el diseño molecular inverso [2022]
Alshehri, Abdulelah S. y Fengqi You.
Revista de Ingeniería Química 444 (2022)
IA en diseño de compuestos 3D [2022]
Hadfield, Thomas E. y Charlotte M. Deane.
Opinión actual en biología estructural 73 (2022)
Enfoques de aprendizaje profundo para el diseño de fármacos de novo: descripción general [2021]
Wang, Mingyang, Zhe Wang, Huiyong Sun, Jike Wang, Chao Shen, Gaoqi Weng, Xin Chai, Honglin Li, Dongsheng Cao y Tingjun Hou.
Opinión actual en biología estructural 72 (2022)
Química generativa: descubrimiento de fármacos con modelos generativos de aprendizaje profundo [2021]
Bian, Yuemin y Xiang-Qun Xie.
Revista de modelado molecular 27 (2021)
Aprendizaje profundo generativo para el diseño de compuestos dirigidos [2021]
Sousa, Tiago, João Correia, Vítor Pereira y Miguel Rocha.
J. química. Inf. Modelo. 2021, 61, 11, 5343–5361
Modelos generativos para el diseño de fármacos de novo [2021]
Tong, Xiaochu, Xiaohong Liu, Xiaoqin Tan, Xutong Li, Jiaxin Jiang, Zhaoping Xiong, Tingyang Xu, Hualiang Jiang, Nan Qiao y Mingyue Zheng.
Revista de Química Medicinal 64.19 (2021)
Diseño molecular en el descubrimiento de fármacos: una revisión exhaustiva de modelos generativos profundos [2021]
Cheng, Yu, Yongshun Gong, Yuansheng Liu, Bosheng Song y Quan Zou.
Sesiones informativas en bioinformática 22.6 (2021)
Diseño molecular de novo y modelos generativos [2021]
Meyers, Joshua, Benedek Fabián y Nathan Brown.
Descubrimiento de fármacos hoy 26.11 (2021)
Aprendizaje profundo para el diseño molecular: una revisión del estado del arte [2019]
Elton, Daniel C., Zois Boukouvalas, Mark D. Fuge y Peter W. Chung.
Diseño e ingeniería de sistemas moleculares 4.4 (2019)
Diseño molecular inverso mediante aprendizaje automático: modelos generativos para ingeniería de la materia [2018]
Sánchez-Lengeling, Benjamin y Alán Aspuru-Guzik.
Ciencias 361.6400 (2018)
banco de medicamentos
ZINC 15
ZINC 20
PubChem
CHEMBL
Bases de datos del BGF
químicaaraña
Conjunto de datos de gestión de calidad
COCO | Colección de base de datos Open Natural Products
MolData
Un punto de referencia molecular para el aprendizaje automático basado en enfermedades y objetivos
https://github.com/LumosBio/MolData
Estudio comparativo de modelos generativos profundos para el diseño de polímeros inversos [2024]
Yue T, Tao L, Varshney V, Li Y.
chemrxiv-2024-gzq4r (2024)
RediscMol: Evaluación comparativa de modelos de generación molecular en propiedades biológicas [2024]
Weng, Gaoqi, Huifeng Zhao, Dou Nie, Haotian Zhang, Liwei Liu, Tingjun Hou y Yu Kang.
J. Med. Química. 2024 | código
Los modelos generativos deberían al menos poder diseñar moléculas que se acoplen bien: un nuevo punto de referencia [2023]
Ciepliński, Tobiasz, Tomasz Danel, Sabina Podlewska y Stanisław Jastrzȩbski.
J. química. inf. Modelo. 2023, 63, 11, 3238–3247 | código
Tartarus: una plataforma de evaluación comparativa para un diseño molecular inverso realista y práctico [2022]
Nigam, Akshat Kumar, Robert Pollice, Gary Tom, Kjell Jorner, Luca A.
arXiv:2209.12487v1 | código
Conjuntos moleculares (MOSES): una plataforma de evaluación comparativa para modelos de generación molecular [2020]
Polykovskiy, Daniil, Alexander Zhebrak, Benjamin Sanchez-Lengeling, Sergey Golovanov, Oktai Tatanov, Stanislav Belyaev, Rauf Kurbanov et al.
Fronteras en farmacología 11 (2020) | código
GuacaMol: Modelos de evaluación comparativa para el diseño molecular de Novo [2019]
Brown, Nathan, Marco Fiscato, Marwin HS Segler y Alain C. Vaucher.
J. química. inf. Modelo. 2019, 59, 3, 1096–1108 | código
La semejanza con los fármacos puede definirse como un equilibrio complejo de diversas propiedades moleculares y características estructurales que determinan si una molécula particular es similar a los fármacos conocidos. Estas propiedades, principalmente hidrofobicidad, distribución electrónica, características de los enlaces de hidrógeno, tamaño y flexibilidad de la molécula y, por supuesto, la presencia de diversas características farmacofóricas influyen en el comportamiento de la molécula en un organismo vivo, incluida la biodisponibilidad, las propiedades de transporte, la afinidad por las proteínas, la reactividad, la toxicidad y el metabolismo. estabilidad y muchos otros.
https://github.com/AspirinCode/DrugAI_Drug-Likeness
estimación cuantitativa de la semejanza con las drogas
estimación cuantitativa de la interacción proteína-proteína dirigida a la semejanza con los medicamentos
Índice de estimación cuantitativa para la detección en etapa temprana de compuestos dirigidos a interacciones proteína-proteína [2021]
Kosugi, Takatsugu y Masahito Ohue.
Revista Internacional de Ciencias Moleculares 22.20 (2021) | código
Estimación cuantitativa de la interacción proteína-proteína dirigida a la semejanza con el fármaco [2021]
Kosugi, Takatsugi y Masahito Ohue.
CIBCB. IEEE, (2021) | código
Estimación de la puntuación de accesibilidad sintética de moléculas similares a fármacos en función de la complejidad molecular y las contribuciones de los fragmentos.
J Cheminform 1, 8 (2009) | código
Puntuación de accesibilidad retrosintética (RAscore): clasificación rápida de sintetizabilidad mediante aprendizaje automático a partir de una planificación retrosintética impulsada por IA
Ciencias Químicas 12.9 (2021) | código
Diversidad hamiltoniana: medición eficaz de la diversidad molecular mediante circuitos hamiltonianos más cortos [2024]
Hu, X., Liu, G., Yao, Q. et al.
J Cheminform 16, 94 (2024) | código
Puntuación espacial: un indicador topológico completo para la complejidad de moléculas pequeñas [2023]
Krzyzanowski, Adrian, Axel Pahl, Michael Grigalunas y Herbert Waldmann.
J. Med. Química. (2023) | chemrxiv-2023-nd1ll | código
Una función de puntuación automatizada para facilitar y estandarizar la evaluación de modelos generativos dirigidos a objetivos para el diseño molecular de novo [2023]
Thomas, Morgan, Noel M. O'Boyle, Andreas Bender y Chris De Graaf.
chemrxiv-2023-c4867 | código
FCD: Distancia Fréchet ChemNet
Distancia Fréchet ChemNet: una métrica para modelos generativos de moléculas en el descubrimiento de fármacos Preuer, Kristina, Philipp Renz, Thomas Unterthiner, Sepp Hochreiter y Gunter Klambauer.
J. química. Inf. Modelo. 2018, 58, 9, 1736–1741 | código
Clasificación de moléculas basada en la perplejidad y estimación de sesgos de modelos de lenguaje químico [2022]
Moret, M., Grisoni, F., Katzberger, P. y Schneider, G.
J. química. inf. Modelo. 2022, 62, 5, 1199–1206 | código
Muestreo mejorado asistido por aprendizaje profundo para explorar cambios conformacionales moleculares [2023]
Haohao Fu, Han Liu, Jingya Xing, Tong Zhao, Xueguang Shao y Wensheng Cai.
J. Física. Química. B (2023)
Un marco de extremo a extremo para la generación de conformación molecular mediante programación binivel [2021]
Xu, Minkai, Wujie Wang, Shitong Luo, Chence Shi, Yoshua Bengio, Rafael Gómez-Bombarelli y Jian Tang.
Congreso Internacional sobre Aprendizaje Automático. PMLR (2021) | código
AGDIFF: Difusión mejorada con atención para la predicción de geometría molecular [204]
Kim, S., Woo, J. y Kim, WY
ChemRxiv. (2024) | código
IA generativa basada en difusión para explorar estados de transición a partir de gráficos moleculares 2D [204]
Kim, S., Woo, J. y Kim, WY
Nat Comuna 15, 341 (2024) | código
Modelo generativo basado en la física para confórmeros de moléculas similares a fármacos [204]
David C. Williams, Neil Imana.
arXiv:2403.07925. (2024) | código
DynamicsDiffusion: generación y muestreo de eventos raros de trayectorias dinámicas moleculares utilizando modelos de difusión [2023]
Petersen, Magnus, Gemma Roig y Roberto Covino.
NeurIPS 2023 AI4Science (2023)
Generación de campos de conformadores moleculares [2023]
Yuyang Wang, Ahmed Elhag, Navdeep Jaitly, Joshua Susskind, Miguel Bautista.
[Taller de biología e inteligencia generativa NeurIPS 2023 (GenBio) (2023)] https://openreview.net/forum?id=Od1KtMeAYo)
Sobre la aceleración de la generación de conformación molecular basada en difusión en el espacio invariante SE(3) [2023]
Zhou, Z., Liu, R. y Yu, T.
arXiv:2310.04915 (2023))
Generación de conformación molecular mediante puntuaciones cambiantes [2023]
Zhou, Zihan, Ruiying Liu, Chaolong Ying, Ruimao Zhang y Tianshu Yu.
arXiv:2309.09985 (2023)
EC-Conf: un modelo de difusión ultrarrápido para la generación de conformación molecular con consistencia equivalente [2023]
Fan, Zhiguang, Yuedong Yang, Mingyuan Xu y Hongming Chen.
arXiv:2308.00237 (2023)
Difusión torsional para la generación de confórmeros moleculares [2022]
Jing, Bowen, Gabriele Corso, Jeffrey Chang, Regina Barzilay y Tommi Jaakkola.
NeurIPS. (2022) | código
GeoDiff: un modelo de difusión geométrica para la generación de conformación molecular [2022]
Xu, Minkai, Lantao Yu, Yang Song, Chence Shi, Stefano Ermon y Jian Tang.
Conferencia Internacional sobre Representaciones del Aprendizaje. (2022) | código
Descubrimiento acelerado de inhibidores de carbamato Cbl-b mediante modelos de IA generativa y diseño de fármacos basado en estructuras [2024]
Quinn, TR, Giblin, KA, Thomson, C., Boerth, JA, Bommakanti, G., Braybrooke, E., Chan, C., Chinn, AJ, Code, E., Cui, C. y Fan, Y.
J. Med. Química. (2024) | código
Reinventar 4: Diseño de moléculas generativas modernas impulsadas por la IA [2024]
Hannes H. Loeffler, Jiazhen He, Alessandro Tibo, Jon Paul Janet, Alexey Voronov, Lewis H. Mervin y Ola Engkvist
Revista de quimioinformática, 16 (20) (2024) | código
Chemistry42: una plataforma impulsada por IA para el diseño y la optimización molecular [2023]
Ivanenkov, Yan A., Daniil Polykovskiy, Dmitry Bezrukov, Bogdan Zagribelnyy, Vladimir Aladinskiy, Petrina Kamya, Alex Aliper, Feng Ren y Alex Zhavoronkov.
Revista de información y modelado químico 63.3 (2023) | web
Red neuronal recurrente transcripcionalmente condicional para el diseño de fármacos de novo [2024]
Matsukiyo, Y., Tengeiji, A., Li, C. y Yamanishi, Y.
J. química. inf. Modelo. (2024) | código
Diseño prospectivo de fármacos de novo con aprendizaje profundo del interactoma [2024]
Atz, K., Cotos, L., Isert, C. et al.
Nat Comuna 15, 3408 (2024) | código
CNSMolGen: un modelo generativo basado en redes neuronales recurrentes bidireccionales para el diseño de fármacos de novo para el sistema nervioso central [2024]
Gou, Rongpei, Jingyi Yang, Menghan Guo, Yingjun Chen y Weiwei Xue.
chemrxiv-2024-x4wbl (2024) | código
NovoMol: red neuronal recurrente para el diseño y validación de fármacos biodisponibles por vía oral en el receptor PDGFRα [2023]
Rao, Ishir.
arXiv:2312.01527 (2023) | código
Generación de una biblioteca de moléculas de fármacos enfocada utilizando una red neuronal recurrente [2023]
Zou, Jinping, Long Zhao y Shaoping Shi.
Revista de Modelado Molecular 29.12 (2023) | código
ChemTSv2: Diseño molecular funcional utilizando un generador de moléculas de novo [2023]
Ishida, Shoichi, Tanuj Aasawat, Masato Sumita, Michio Katouda, Tatsuya Yoshizawa, Kazuki Yoshizoe, Koji Tsuda y Kei Terayama.
Reseñas interdisciplinarias de Wiley: ciencia molecular computacional (2023) | código
Utilización del aprendizaje por refuerzo para el diseño de fármacos de novo [2023]
Svensson, Hampus Gummesson, Christian Tyrchan, Ola Engkvist y Morteza Haghir Chehreghani.
arXiv:2303.17615 (2023) | código
Diseño de fármacos de novo basado en Stack-RNN con suma ponderada de recompensa multiobjetivo y aprendizaje por refuerzo [2023]
Hu, P., Zou, J., Yu, J. et al.
J Mol Modelo 29, 121 (2023) | código
Sobre la dificultad de validar de manera realista modelos generativos moleculares: un estudio de caso sobre datos públicos y patentados [2023]
Handa, Koichi, Morgan Thomas, Michiharu Kageyama, Takeshi Iijima y Andreas Bender.
chemrxiv-2023-lbvgn | código
Magicmol: un oleoducto liviano para la evolución de moléculas similares a fármacos y una rápida exploración espacial química [2023]
Chen, Lin, Qing Shen y Jungang Lou.
BMC Bioinformática (2023) | código
Hill-Climb aumentado aumenta la eficiencia del aprendizaje por refuerzo para la generación de moléculas de novo basada en el lenguaje [2022]
Thomas, M., O'Boyle, NM, Bender, A. et al.
J Cheminform (2022) | código
Diseño de moléculas de novo con modelos de lenguaje químico [2022]
Grisoni, F., Schneider, G.
Inteligencia artificial en el diseño de fármacos. Métodos en biología molecular, vol 2390.(2022) | código
Marco RNN correlacionado para generar rápidamente moléculas con propiedades deseadas para materiales energéticos en el régimen de datos bajos [2022]
Li, Chuan, Chenghui Wang, Ming Sun, Yan Zeng, Yuan Yuan, Qiaolin Gou, Guangchuan Wang, Yanzhi Guo y Xuemei Pu.
J. química. inf. Modelo. (2022) | código
Optimización de arquitecturas de redes neuronales recurrentes para el diseño de fármacos de novo [2021]
Santos, BP, Abbasi, M., Pereira, T., Ribeiro, B. y Arrais, JP
Papel | código
Una red neuronal recurrente (RNN) que genera moléculas similares a fármacos para el descubrimiento de fármacos [2021]
código
Un modelo generativo de moléculas utilizó la huella digital de interacción (postura de acoplamiento) como restricciones [2021]
código
Generación bidireccional de moléculas con redes neuronales recurrentes [2020]
Grisoni, F., Moret, M., Lingwood, R. y Schneider, G.
J. química. Inf. Modelo. (2020) | código
Dirección directa de la generación molecular de novo con redes neuronales recurrentes condicionales de descriptores [2019]
Kotsias, PC., Arús-Pous, J., Chen, H. et al.
Nat Mach Intell 2, 254–265 (2020) | código
ChemTS: una biblioteca Python eficiente para la generación molecular de novo [2017]
Yang, X., Zhang, J., Yoshizoe, K., Terayama, K. y Tsuda, K.
Ciencia y Tecnología de Materiales Avanzados (2017) | código
ClickGen: exploración dirigida del espacio químico sintetizable mediante reacciones modulares y aprendizaje por refuerzo [2024]
Wang, M., Li, S., Wang, J. et al.
Nat Comuna 15, 10127 (2024) | código
DigFrag como método de fragmentación digital utilizado para el diseño de fármacos basado en inteligencia artificial [2024]
Yang, R., Zhou, H., Wang, F. et al.
Química comunitaria 7, 258 (2024) | código
Diseño prospectivo de fármacos de novo con aprendizaje profundo del interactoma [2024]
Atz, K., Cotos, L., Isert, C. et al.
Nat Comuna 15, 3408 (2024) | código
Descubrimiento computacional de fármacos contra el virus del VIH con una arquitectura de aprendizaje profundo de codificador automático variacional LSTM personalizada [2023]
Kutsal, Mucahit, Ferhat Ucar y Nida Kati.
CPT: Farmacometría y Farmacología de Sistemas. (2023) | código
Modelos estructurados de secuencia espacio-estado para el diseño de fármacos de novo [2023]
Özçelik R, de Ruiter S, Grisoni F.
chemrxiv-2023-jwmf3. (2023) | código
Integración de la accesibilidad sintética con el diseño generativo de fármacos basado en IA [2023]
Parrot, M., Tajmouati, H., da Silva, VBR et al.
J Cheminform 15, 83 (2023) | código
Aprendizaje profundo del interactoma para el diseño de fármacos de novo [2023]
Atz K, Cotos Muñoz L, Isert C, Håkansson M, Focht D, Nippa DF, et al.
chemrxiv-2023-cbq9k (2023)
Diseño de fármacos de novo impulsado por aprendizaje profundo basado en estructuras de bomba de protones gástrica [2023]
Abe, K., Ozako, M., Inukai, M. et al.
Comun Biol 6, 956 (2023) | código
Inteligencia artificial para la predicción de actividades biológicas y generación de hits moleculares utilizando información estereoquímica [2023]
Pereira, Tiago O., Maryam Abbasi, Rita I. Oliveira, Romina A. Guedes, Jorge AR Salvador y Joel P. Arrais.
Plaza de la Investigación. (2023) | código
LÓGICA: Aprendizaje de la distribución generativa óptima para el diseño de estructuras químicas de novo [2023]
Bae, B., Bae, H. y Nam, H.
J Cheminform 15, 77 (2023) | código
Aprovechamiento de la estructura molecular y la bioactividad con modelos de lenguaje químico para el diseño de fármacos de novo [2023]
Kotsias, PC., Arús-Pous, J., Chen, H. et al.
Nat Comuna 14, 114 (2023) | código
CharLSTM basado en SMILES con ajuste fino y generación dirigida a objetivos a través de gradiente de políticas [2022]
código
DeLA-Drug: un algoritmo de aprendizaje profundo para el diseño automatizado de análogos similares a fármacos [2022]
Creanza, TM, Lamanna, G., Delre, P., Contino, M., Corriero, N., Saviano, M., ... & Ancona, N.
J. química. inf. Modelo. (2022) | Web
Diseño de novo y predicción de la bioactividad de los principales inhibidores de la proteasa del SARS-CoV-2 mediante aprendizaje por transferencia basado en redes neuronales recurrentes [2021]
Santana, MVS, Silva-Jr, FP
Química BMC 15, 8 (2021) | código
Redes generativas recurrentes para el diseño de fármacos de novo [2018]
Gupta, A., Müller, AT, Huisman, BJ, Fuchs, JA, Schneider, P. y Schneider, G.
Informe Mol. 2018 | código
Redes neuronales generativas recurrentes para el diseño de fármacos de novo [2017]
Gupta, Anvita y col.
Informe Mol. 2018 | código
Saturno: diseño molecular generativo eficiente en muestras mediante manipulación de memoria [2024]
Jeff Guo, Philippe Schwaller.
arXiv:2405.17066 (2024) | código
Permitir que la generación de moléculas con reconocimiento de objetivos siga múltiples objetivos con Pareto MCTS [2024]
Yang, Y., Chen, G., Li, J. et al.
Comun Biol 7, 1074 (2024) | código
PocketFlow es un modelo generativo molecular basado en estructuras basado en datos y conocimientos [2024]
Shengyong Yang, Yuanyuan Jiang, Guo Zhang et al.
Nat Mach Intell (2024) | Plaza de la Investigación. PREIMPRESIÓN. (2023) | código
Diseño de moléculas de novo hacia propiedades sesgadas mediante un marco generativo profundo y aprendizaje por transferencia iterativa [2024]
Sattari, Kianoosh, Dawei Li, Bhupalee Kalita, Yunchao Xie, Fatemeh Barmaleki Lighvan, Olexandr Isayev y Jian Lin.
Descubrimiento digital (2024) | código
Sinfonía: Armónicos esféricos centrados en puntos equivalentes a simetría para generación de moléculas 3D [2024]
Ameya Daigavane y Song Eun Kim y Mario Geiger y Tess Smidt.
ICLR (2024) | código
Difusión autorregresiva basada en fragmentos para el diseño de ligandos con reconocimiento de bolsillo [2023]
Ghorbani, Mahdi, Leo Gendelev, Paul Beroza y Michael Keiser.
Taller de Biología e IA generativa (GenBio) NeurIPS 2023. (2023) | código
Aprendizaje sobre superficie topológica y estructura geométrica para generación molecular 3D [2023]
Zhang, Odin, Tianyue Wang, Gaoqi Weng, Dejun Jiang, Ning Wang, Xiaorui Wang, Huifeng Zhao et al.
Ciencias de la Computación Nat (2023) | código
ResGen es un modelo de generación molecular 3D de bolsillo basado en modelado multiescala paralelo [2023]
Zhang, O., Zhang, J., Jin, J. et al.
Nat Mach Intell (2023) | código
FFLOM: un modelo autorregresivo basado en flujo para la optimización de fragmento a cliente potencial [2023]
Jieyu Jin, Dong Wang, Guqin Shi, Jingxiao Bao, Jike Wang, Haotian Zhang, Peichen Pan, Dan Li, Xiaojun Yao, Huanxiang Liu, Tingjun Hou y Yu Kang
J. Med. Química. (2023) | código
Generación molecular independiente del dominio con autorretroalimentación [2023]
Yin Fang, Ningyu Zhang, Zhuo Chen, Xiaohui Fan, Huajun Chen
arXiv:2301.11259v3 | código
GraphAF: un modelo autorregresivo basado en flujo para la generación de gráficos moleculares [2020]
Shi, C., Xu, M., Zhu, Z., Zhang, W., Zhang, M. y Tang, J.
ICLR (2020) |arXiv:2001.09382 | código
Edición molecular generativa similar a una droga basada en difusión con lenguaje químico natural [2024]
Jianmin Wang, Peng Zhou, Zixu Wang, Wei Long, Yangyang Chen, Kyoung Tai No, Dongsheng Ouyang*, Jiashun Mao* y Xiangxiang Zeng*.
J. Farmacéutica. Anal. (2024) | código
Aprovechamiento de Tree-Transformer VAE con tokenización de fragmentos para un modelo generativo químico de gran tamaño y alto rendimiento [2024]
Inukai T, Yamato A, Akiyama M, Sakakibara Y.
ChemRxiv. (2024) | código
Un enfoque de aprendizaje profundo para la generación racional de ligandos con control de la toxicidad mediante bloques de construcción reactivos [2024]
Li, P., Zhang, K., Liu, T. et al.
Ciencias de la Computación Nat (2024) | código
Un modelo básico para el diseño químico y la predicción de propiedades [2024]
Cai, F., Zhu, T., Tzeng, TR, Duan, Y., Liu, L., Pilla, S., Li, G. y Luo, F.
arXiv:2410.21422 (2024) | código
SE(3) Topologías equivalentes para el descubrimiento de fármacos basado en estructuras [2024]
Prat A, Abdel Aty H, Pabrinkis A, Bastas O, Paquet T, Kamuntavičius G, et al.
ChemRxiv. (2024)
Transformadores de difusión gráfica para generación molecular multicondicional [2024]
Liu, Gang, Jiaxin Xu, Te Luo y Meng Jiang.
NeurIPS 2024 (oral). (2024) | código
Exploración exhaustiva del espacio químico local mediante un modelo de transformador [2024]
Tibo, A., He, J., Janet, JP et al.
Nat Comuna 15, 7315 (2024) | código
Autocodificador variacional de gráfico de transformador para diseño molecular generativo [2024]
Nguyen, Trieu y Aleksandra Karolak.
bioRxiv (2024)
BindGPT: un marco escalable para el diseño molecular 3D mediante modelado de lenguajes y aprendizaje por refuerzo [2024]
Zholus, Artem, Maksim Kuznetsov, Roman Schutski, Rim Shayakhmetov, Daniil Polykovskiy, Sarath Chandar y Alex Zhavoronkov.
arXiv:2406.03686 (2024)
Exploración de nuevos análogos del fentanilo utilizando un modelo de transformador basado en gráficos [2024]
Zhang, Guangle, Yuan Zhang, Ling Li, Jiaying Zhou, Honglin Chen, Jinwen Ji, Yanru Li, Yue Cao, Zhihui Xu y Cong Pian.
Ciencias Interdisciplinarias: Ciencias de la Vida Computacionales (2024) | código
TenGAN: Los codificadores de transformador puro crean una GAN discreta eficiente para la generación molecular De Novo [2024]
Li, Chen y Yoshihiro Yamanishi.
Congreso Internacional sobre Inteligencia Artificial y Estadística. PMLR (2024)
DockingGA: mejora de la generación de moléculas específicas mediante una red neuronal transformadora y un algoritmo genético con simulación de acoplamiento [2024]
Changnan Gao, Wenjie Bao, Shuang Wang, Jianyang Zheng, Lulu Wang, Yongqi Ren, Linfang Jiao, Jianmin Wang, Xun Wang.
Sesiones informativas sobre genómica funcional (2024) | código
Gotta be SAFE: un nuevo marco para el diseño molecular [2024]
Noutahi, Emmanuel, Cristian Gabellini, Michael Craig, Jonathan SC Lim y Prudencio Tossou.
Descubrimiento digital (2024) | arXiv:2310.10773 (2023) | código
Mejora de la eficiencia del diseño molecular: uniendo modelos de lenguaje y redes generativas con algoritmos genéticos [2024]
Bhowmik, Debsindhu, Pei Zhang, Zachary Fox, Stephan Irle y John Gounley.
Patrones (2024) | código
ChemSpaceAL: una metodología de aprendizaje activo eficiente aplicada a la generación molecular de proteínas específicas [2024]
Kyro, Gregory W., Anton Morgunov, Rafael I. Brent y Victor S. Batista.
J. química. inf. Modelo. (2024) | código
Evaluación del aprendizaje por refuerzo en diseño molecular basado en transformadores [2024]
He J, Tibo A, Janet JP, Nittinger E, Tyrchan C, Czechtizky W, et al.
chemrxiv-2024-r9ljm (2024) | código
Optimización de espacio dual: diseño de secuencia de moléculas mejorado mediante transformador de aviso latente [2024]
Deqian Kong y Yuhao Huang y Jianwen Xie y Edouardo Honig y Ming Xu y Shuanghong Xue y Pei Lin y Sanping Zhou y Sheng Zhong y Nanning Zheng y Ying Nian Wu.
arXiv:2402.17179 (2024)
Un nuevo modelo generativo de moléculas de VAE combinado con Transformer [2024]
Yasuhiro Yoshikai, Tadahaya Mizuno, Shumpei Nemoto y Hiroyuki Kusuhara.
arXiv:2402.11950 (2024) | código
GexMolGen: generación intermodal de moléculas similares a hits mediante codificación de modelos de lenguaje grande de firmas de expresión genética [2024]
Cheng, Jia-Bei, Xiaoyong Pan, Kaiyuan Yang, Shenghao Cao, Bin Liu, Qingran Yan y Ye Yuan.
bioRxiv (2024) | código
Generador aportado por diversidad de andamios locales para descubrir posibles inhibidores de NLRP3 [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 y Lijuan Chen.
J. química. inf. Modelo. (2024) | código
Generación de moléculas con reconocimiento de objetivos para el diseño de fármacos utilizando un modelo de lenguaje químico [2024]
Xia, Yingce, Kehan Wu, Pan Deng, Renhe Liu, Yuan Zhang, Han Guo, Yumeng Cui et al.
bioRxiv (2024)
Acelerando el descubrimiento de ligandos novedosos y bioactivos con modelos generativos informados por farmacóforos [2024]
Xie, Weixin, Jianhang Zhang, Qin Xie, Chaojun Gong, Yojun Xu, Luhua Lai y Jianfeng Pei.
ARXIV: 2401.01059 (2024) | código
Un marco de descubrimiento de polímeros autocompleto basado en el modelo generativo condicional [2023]
Xiangyun Lei y Weike Ye y Zhenze Yang y Daniel Schweigert y Ha-Kyung Kwon y Arash Khajeh.
ARXIV: 2312.04013. (2023)
Llamol: un transformador generativo multi-condicional dinámico para el diseño molecular de novo [2023]
Dobberstein, Niklas, Astrid Maass y Jan Hamaekers.
ARXIV: 2311.14407. (2023) | código
GRAPHGPT: un transformador generativo generativo mejorado de gráfico para la generación molecular condicionada [2023]
Lu, Hao, Zhiqiang Wei, Xuze Wang, Kun Zhang y Hao Liu.
Revista Internacional de Ciencias Moleculares 24.23 (2023) | código
Protacable es una tubería computacional integradora de modelado 3-D y aprendizaje profundo para automatizar el diseño de novo de protacs [2023]
Hazem Mslati, Francesco Gentile, Mohit Pandey, Fuqiang Ban, Artem Cherkasov.
Biorxiv 2023.11.20.567951. (2023) | código
Estrategia y optimización de generación molecular basada en el aprendizaje de refuerzo A2C en el diseño de medicamentos de novo [2023]
Wang, Qian, Zhiqiang Wei, Xiaotong Hu, Zhuoya Wang, Yujie Dong y Hao Liu.
Bioinformática: BTAD693. (2023) | código
Generación intermodal de moléculas de tipo HIT a través de la codificación del modelo de base de firmas de expresión génica [2023]
Jiabei Cheng, Xiaoyong Pan, Kaiyuan Yang, Shenghao Cao, Bin Liu, Ye Yuan.
BiorXiv 2023.11.11.566725. (2023) | código
Reinvent4: diseño de moléculas generativas modernas impulsadas por IA [2023]
Loeffler H, He J, Tibo A, Janet JP, Voronov A, Mervin L, et al.
Chemrxiv-2023-XT65X (2023) | código
Optimización de las afinidades de unión en el espacio químico con transformador y aprendizaje de refuerzo profundo [2023]
Xu, Xiaopeng, Juexiao Zhou, Chen Zhu, Qing Zhan, Zhongxiao Li, Ruochi Zhang, Yu Wang, Xingyu Liao y Xin Gao.
Chemrxiv-2023-7V4SW (2023) | código
Buscando moléculas de alto valor utilizando el aprendizaje de refuerzo y los transformadores [2023]
Raj Ghugare y Santiago Miret y Adriana Hugessen y Mariano Phielipp y Glen Berseth.
ARXIV: 2310.02902 (2023)
Diseño molecular de novo a través del aprendizaje de refuerzo basado en transformadores [2023]
Feng, Tao, Pengcheng Xu, Tianfan Fu, Siddhartha Laghuvarapu y Jimeng Sun.
ARXIV: 2310.05365 (2023)
Modelos de lenguaje de transformador generativo probabilístico para el diseño generativo de moléculas [2023]
Wei, L., Fu, N., Song, Y. et al.
J Cheminform 15, 88 (2023) | código
Diseño de drogas de novo con transformadores articulares [2023]
Adam Izdebski y Ewelina WęGlarz-Tomczak y Ewa Szczurek y Jakub M. Tomczak
ARXIV: 2310.02066. (2023)
Modelos estructurados de secuencia de espacio de estado para el diseño de fármacos de novo [2023]
Özçelik R, de Ruiter S, Grisoni F.
Chemrxiv-2023-JWMF3. (2023) | código
Generación de novo de estructuras químicas de candidatos inhibidores y activadores para proteínas diana terapéuticas mediante un autoencoder variacional basado en transformador y optimización bayesiana [2023]
Yuki Matsukiyo, Chikashige Yamanaka y Yoshihiro Yamanishi.
J. química. Inf. Modelo. (2023) | código
Un GaN de transformador inverso genera moléculas limitadas por andamios con optimización de la propiedad. [2023]
Li, C., Yamanishi, Y.
ECML PKDD (2023) | código
Chemspaceal: una metodología de aprendizaje activo eficiente aplicada a la generación molecular específica de proteínas [2023]
Kyro, Gregory W., Anton Morgunov, Rafael I. Brent y Victor S. Batista.
ARXIV: 2309.05853 (2023) | código
Diseño molecular 3D eficiente con un transformador invariante e (3) VAE [2023]
Dollar, Orion, Nisarg Joshi, Jim Pfaendtner y David AC Beck.
The Journal of Physical Chemistry A (2023) | código
Lingo3DMOL: Generación de una molécula 3D basada en bolsillo utilizando un modelo de lenguaje [2023]
Wang, Lvwei, Zaiyun Lin, Yanhao Zhu, Rong Bai, Wei Feng, Huting Wang, Jielong Zhou, Wei Peng, Bo Huang y Wenbiao Zhou.
ARXIV: 2305.10133 (2023) | código
FSM-DDTR: Estrategia de retroalimentación de extremo a extremo para el diseño de medicamentos de novo de objetivos múltiples utilizando transformadores [2023]
Monteiro, Nelson RC, Tiago O. Pereira, Ana Catarina D. Machado, José L. Oliveira, Maryam Abbasi y Joel P. Arrais.
Computadoras en biología y medicina (2023) | código
Macrociclación de moléculas lineales por aprendizaje profundo para facilitar el descubrimiento de candidatos a fármacos macrocíclicos [2023]
Dioo, Y., Liu, D., Ge, H. et al.
Nat Commun 14, 4552 (2023) | código
Diseño de medicamento de novo basado en perfiles de expresión génica del paciente a través del aprendizaje profundo [2023]
Yamanaka, Chikashige, Shunya Uki, Kazuma Kaitoh, Michio Iwata y Yoshihiro Yamanishi.
Informática molecular (2023) | código
Método de aprendizaje profundo basado en transformadores para optimizar las propiedades de admets de los compuestos de plomo [2023]
Yang, Lijuan, Chao Jin, Guanghui Yang, Zhitong Bing, Liang Huang, Yuzhen Niu y Lei Yang.
Química física Física química 25.3 (2023)
El diseño de fármacos basado en la secuencia como concepto en el diseño de medicamentos computacionales [2023]
Chen, L., Fan, Z., Chang, J. et al.
Nat Commun 14, 4217 (2023) | código
DrugGPT: una estrategia basada en GPT para diseñar ligandos potenciales dirigidos a proteínas específicas [2023]
Yuesen Li, Chengyi Gao, Xin Song, Xiangyu Wang, Ver Orcid Perfilyungang Xu, Suxia Han
Biorxiv (2023) | código
Prefixmol: diseño de la molécula con el objetivo y la química a través de la incrustación de prefijo [2023]
Gao, Zhangyang, Yuqi Hu, Cheng Tan y Stan Z. Li.
ARXIV: 2302.07120 (2023) | código
Entrenamiento de modelos de lenguaje adaptativo para diseños moleculares [2023]
Andrew E. Blanchard, DeBsindhu Bhowmik, Zachary Fox, John Gounley, Jens Glaser, Belinda S. Akpa y Stephan Irle.
J Cheminform 15, 59 (2023) | código
CMGN: una red de generación molecular condicional para diseñar moléculas específicas del objetivo con las propiedades deseadas [2023]
Yang, Minjian, Hanyu Sun, Xue Liu, Xi Xue, Yafeng Deng y Xiaojian Wang.
Informes en Bioinformática, 2023;, BBAD185 | código
CMOLGPT: un transformador condicional generativo previamente capacitado para la generación molecular de novo específica de objetivo [2023] [2023]
Wang, Ye, Honggang Zhao, Simone Sciabola y Wenlu Wang.
Moléculas 2023, 28 (11), 4430 | código
Generación de moléculas utilizando transformadores y aprendizaje de refuerzo de gradiente de políticas [2023]
Mazuz, E., Shtar, G., Shapira, B. et al.
Sci Rep 13, 8799 (2023) | código
IUPACGPT: modelo molecular de capacitación a gran escala basado en IUPAC para predicción de propiedades y generación de moléculas [2023]
Jiashun Mao ,, Jianmin Wang, Kwang-Hwi Cho, Kyoung Tai no
Chemrxiv-2023-5kjvh | código
Generación molecular con etiquetado reducido a través de la arquitectura de restricción [2023]
Wang, Jike, Yundian Zeng, Huiyong Sun, Junmei Wang, Xiaorui Wang, Ruofan Jin, Mingyang Wang et al.
J. química. Inf. Modelo. (2023) | código
Descubrimiento generativo de nuevos diseños químicos que utilizan modelado de difusión y redes neuronales profundas de transformadores con aplicación a solventes eutécticos profundos [2023]
Luu, Rachel K., Marcin Wysokowski y Markus J. Buehler.
ARXIV: 2304.12400V1 | código
El transformador de regresión permite la regresión de secuencia concurrente y la generación para el modelado del lenguaje molecular [2023]
Nacido, J., Manica, M.
Nat Mach Intell 5, 432–444 (2023) | código
Modelo generativo molecular basado en transformadores para el diseño de fármacos antivirales [2023]
Mao, Jiashun; Wang, Jianming; Zeb, Amir; Cho, Kwang-Hwi; Jin, Haiyan; Kim, Jongwan; Lee, Onju; Wang, Yunyun; No, Kyoung Tai.
J. química. Inf. Modelo. (2023) | código
Diseño de novo específico de objetivo de moléculas candidatas de fármacos con redes adversas generativas basadas en transformadores gráficos [2023]
Ünlü, Atabey, Elif çevrim, Ahmet Sarıgün, Hayriye çelikbilek, Heval Ataş Güvenilir, Altay Koyaş, Deniz Cansen Kahraman, Ahmet Rifaioğlu y Abdurrahman Olğaç.
ARXIV: 2302.07868V5
Drugex V3: diseño de fármacos con límite con el aprendizaje de refuerzo basado en transformadores gráficos [2023]
Liu, X., Ye, K., Van Vlijmen, Hwt et al.
J Cheminform 15, 24 (2023) | código
Explore el espacio similar a la droga con modelos generativos profundos [2023]
Wang, Jianmin, et al.
Métodos (2023) | código
Las representaciones del lenguaje químico a gran escala capturan la estructura molecular y las propiedades [2022]
Ross, J., Belgodere, B., Chenthamarakshan, V., Padhi, I., Mroueh, Y. y Das, P.
Nat Mach Intell 4, 1256–1264 (2022) | código
Alfadrug: generación molecular de novo específica de novo específica de proteína [2022]
Qian, Hao, Cheng Lin, Dengwei Zhao, Shikui Tu y Lei Xu.
PNAS Nexus (2022) | código
¿Podemos aprender rápidamente a "traducir" moléculas bioactivas con modelos de transformadores? [2022]
Bagal, V., Aggarwal, R., Vinod, PK y Priyakumar, UD
Chemrxiv-2022-Gln27
MOLGPT: Generación molecular utilizando un modelo de transformador-decodificador [2022]
Bagal, V., Aggarwal, R., Vinod, PK y Priyakumar, UD
J. química. Inf. Modelo. 2022, 62, 9, 2064–2076 | código
Moléculas de adaptación para bolsas de proteínas: una solución generativa basada en transformadores para el diseño de fármacos basados en estructuras [2022]
Wu, K., Xia, Y., Fan, Y., Deng, P., Liu, H., Wu, L., ... & Liu, Ty
arxiv.2209.06158 | código
Explotación de modelos de lenguaje bioquímico previo al diseño para el diseño de fármacos específicos [2022]
Uludoğan, Gökçe, Elif Ozkirimli, Kutlu O. Ulgen, Nilgün Karalı y Arzucan Özgür.
Bioinformática (2022) | código
Un modelo generativo basado en transformador para el diseño molecular de novo [2022]
Wang, Wenlu, et al.
ARXIV: 2210.08749V2
Traducción entre moléculas y lenguaje natural [2022]
Edwards, C., Lai, T., Ros, K., Honke, G. y Ji, H.
ARXIV: 2204.11817v3 | código
El transformador de regresión permite la regresión de secuencia concurrente y la generación para el modelado del lenguaje molecular [2022]
Nacidos, Jannis y Manica, Matteo
ARXIV: 2202.01338v3 | código
Presadrenamiento generativo de las moléculas [2021]
Adilov, Sanjar.
J. química. Inf. Modelo. 2022, 62, 9, 2064–2076 | código
Transformadores para la generación de gráficos moleculares [2021]
Cofala, Tim y Oliver Kramer.
Esann 2021 | código
Generación espacial de moléculas con transformadores [2021]
Cofala, Tim y Oliver Kramer.
IJCNN52387.2021.9533439 (2021) | código
Transformador químico generativo: aprendizaje de la máquina neuronal de estructuras geométricas moleculares del lenguaje químico a través de la atentio [2021]
Hyunseung Kim, Jonggeol Na*, y ganó Bo Lee*.
J. química. Inf. Modelo. 2021, 61, 12, 5804–5814 | código
C5T5: Generación controlable de moléculas orgánicas con transformador [2021]
Rothchild, D., Tamkin, A., Yu, J., Misra, U. y González, J.
ARXIV: 2108.10307V1 | código
Optimización molecular capturando la intuición del químico utilizando redes neuronales profundas [2021]
Él, J., You, H., Sandström, E. et al.
J Cheminform 13, 26 (2021) | código
Transformador Network Neural para la generación de medicamentos de novo específicos de proteínas como problema de traducción automática [2021]
Grechishnikova, Daria.
Sci Rep 11, 321 (2021) | código
Transmol: reutilización de un modelo de lenguaje para la generación molecular [2021]
Grechishnikova, Daria.
Avances RSC. 2021; 11 (42): 25921-32. | código
Modelos generativos basados en la atención para el diseño molecular de novo [2021]
Dollar, O., Joshi, N., Beck, Da y Pfaendtner, J.,
Ciencia química 12.24 (2021) | código
Aprovechando el transformador de árboles VAE con tokenización de fragmentos para un modelo generativo químico grande de alto rendimiento [2024]
Inukai T, Yamato A, Akiyama M, Sakakibara Y.
Chemrxiv. (2024) | código
Autoencoder variacional del gráfico de transformador para el diseño molecular generativo [2024]
Nguyen, Trieu y Aleksandra Karolak.
Biorxiv (2024)
Diseño de fármacos basado en la estructura con un modelo generativo jerárquico profundo [2024]
Weller, Jesse A. y Remo Rohs.
J. química. Inf. Modelo. (2024) | código
Aprovechando subespacios activos para capturar la incertidumbre del modelo epistémico en modelos generativos profundos para el diseño molecular [2024]
Abeer, Anm, Sanket Jantre, Nathan M. Urban y Byung-Jun Yoon.
ARXIV: 2405.00202 (2024)
GXVAES: Dos VAE conjuntos generan moléculas HIT a partir de perfiles de expresión génica [2024]
Li, Chen y Yoshihiro Yamanishi.
Actas de la Conferencia AAAI sobre inteligencia artificial. vol. 38. No. 12. (2024) | código
Marco generativo molecular 3D para el diseño de fármacos guiados por interacción [2024]
Zhung, W., Kim, H. y Kim, WY
Nat Commun 15, 2688 (2024) | código
Generación de moléculas basadas en la atención a través de autoencoder de variacional jerárquico [2024]
Divahar Sivanesan.
ARXIV: 2402.16854. (2024)
Un nuevo modelo generativo de molécula de VAE combinado con transformador [2024]
Yasuhiro Yoshikai y Tadahaya Mizuno y Shumpei Nemoto y Hiroyuki Kusuhara.
ARXIV: 2402.11950 (2024) | código
Generación de novo e identificación de nuevos compuestos con eficacia del fármaco basada en el aprendizaje automático [2024]
Él, Dakuo, Qing Liu, Yan MI, Qingqi Meng, Libin Xu, Chunyu Hou, Jinpeng Wang et al.
Ciencia avanzada (2024)
Descubrimiento de fármacos computacionales sobre el virus del VIH con una arquitectura de aprendizaje profundo de Autoencoder Variacional LSTM personalizado [2023]
Kutsal, Mucahit, Ferhat Ucar y Nida Kati.
CPT: Farmacometría y Sistemas Farmacología. (2023) | código
VABS NRC: autoencoder de variacional condicional reparametrizado normalizado con búsqueda de haz aplicado en espacio latente para el diseño de la molécula de fármacos [2023]
Bhadwal, Arun Singh, Kamal Kumar y Neeraj Kumar.
Sistemas expertos con aplicaciones. (2023)
Los codificadores automáticos de variacionales con consumo de objetivos para la generación de ligando con modelado de proteínas multimodal [2023]
ONG, Khang y Truong Son Hy.
Neurips 2023 Taller generativo de IA y biología (GENBIO). (2023) | código
Marco generativo molecular 3D consciente de la interacción para el diseño generalizable de medicamentos basados en estructuras [2023]
Woo Youn Kim, Wonho Zhung y Hyeongwoo Kim.
Plaza de investigación. (2023) | código
Aplicación de codificadores de gráficos variacionales como un algoritmo generalista efectivo en el diseño de medicamentos asistidos por computadora [2023]
Lam, Hyi, Pinkket, R., Han, H. et al.
Nat Mach Intell 5, 754–764 (2023) | código
Generación de novo de estructuras químicas de candidatos inhibidores y activadores para proteínas diana terapéuticas mediante un autoencoder variacional basado en transformador y optimización bayesiana [2023]
Yuki Matsukiyo, Chikashige Yamanaka y Yoshihiro Yamanishi.
J. química. Inf. Modelo. (2023) | código
RebADD-SE: optimización molecular múltiple utilizando fragmentos de selfies y entrenamiento de secuencia autocrítica fuera de política [2023]
Choi, Jonghwan, Sangmin Seo, Seungyeon Choi, Shengmin Piao, Chihyun Park, Sung Jin Ryu, Byung Ju Kim y Sanghyun Park.
Computadoras en Biología y Medicina 157 (2023) | código
Diseño molecular 3D eficiente con un transformador invariante e (3) VAE [2023]
Dollar, Orion, Nisarg Joshi, Jim Pfaendtner y David AC Beck.
The Journal of Physical Chemistry A (2023) | código
Generación molecular múltiple utilizando datos de entrenamiento escasamente etiquetados para detección de diluyentes electrolíticos de alta concentración localizados [2023]
Mailoa, Jonathan P., Xin Li, Jiezhong Qiu y Shengyu Zhang.
Discovery digital (2023) | código | Conjunto de datos
Optimización molecular múltiple para el tratamiento del trastorno por uso de opioides utilizando un complejo de red generativo [2023]
Feng, Hongsong, Rui Wang, Chang-Guo Zhan y Guo-Wei Wei.
J. Med. Química. (2023) | código
Andamios: generación de andamios y salto de moléculas de fármacos a través de un autoencoder variacional basado en redes neuronales gráficas de visión múltiple [2023]
Hu, Chao, Song Li, Chenxing Yang, Jun Chen, Yi Xiong, Guisheng Fan, Hao Liu y Liang Hong.
J Cheminform 15, 91 (2023) | Plaza de investigación. (2023) | código
Diseño generativo profundo de jaulas orgánicas porosas a través de un autoencoder variacional [2023]
Jiajun Zhou, Austin Mroz, Kim Jelfs*.
Chemrxiv (2023) | código
Los codificadores automáticos variacionales con consumo de objetivos para la generación de ligando con aprendizaje de representación de proteínas multimodales [2023]
Nhat Khang Ngo, Truong Son Hy.
bioRxiv. (2023) | código
De novo de
