papers for molecular design using DL
1.0.0
lié à l'IA générative et à l'apprentissage profond pour la conception moléculaire/médicamenteuse et la génération de conformation moléculaire .
Mise à jour...
L'optimisation moléculaire sera la bienvenue ！！！
Conception moléculaire (de médicaments) utilisant l'intelligence artificielle générative et l'apprentissage profond
| Menu | Menu | Menu | Menu |
|---|---|---|---|
| IA générative pour la découverte scientifique | Avis | Ensembles de données et références | Ressemblance au médicament et mesures d’évaluation |
| Conception basée sur le Deep Learning | Modèles de génération moléculaire basés sur du texte | Modèles génératifs moléculaires profonds basés sur plusieurs cibles | Modèles génératifs moléculaires profonds basés sur des ligands |
| Modèles génératifs moléculaires profonds basés sur des pharmacophores | Modèles génératifs moléculaires profonds basés sur la structure | Modèles génératifs moléculaires profonds basés sur des fragments | DMG basés sur un échafaudage |
| DMG basés sur des fragments | DMG basés sur des motifs | DMG basés sur des linkers | Modèles génératifs moléculaires profonds basés sur des réactions chimiques |
| Modèles génératifs moléculaires profonds basés sur les omiques | Modèles génératifs moléculaires profonds multi-objectifs | Modèles génératifs moléculaires profonds quantiques | Recommandations et références |
| Basé sur les spectres (masse/RMN) | Basé sur les spectres de masse | Basé sur les spectres RMN | Basé sur des cartes Cryo-EM |
| Ensembles de données | Repères | Ressemblance avec une drogue | Paramètres d'évaluation |
|---|---|---|---|
| Ensembles de données | Repères | CQD | Score SA |
| QEPPI | Score RA | ||
| Paramètres d'évaluation | |||
| Validation générative moléculaire |
| Menu | Menu |
|---|---|
| Référence pour les ensembles de conformateurs moléculaires | Avis pour Génération de conformation moléculaire |
| Génération de conformation moléculaire basée sur VAE | Génération de conformation moléculaire basée sur GAN |
| Génération de conformation moléculaire basée sur l'énergie | |
| Génération de conformation moléculaire basée sur la diffusion | |
| Génération de conformation moléculaire basée sur RL | |
| Génération de conformation moléculaire basée sur GNN |
| Menu | Menu | Menu | Menu |
|---|---|---|---|
| Basé sur RNN | Basé sur LSTM | Modèles autorégressifs | Basé sur un transformateur |
| Basé sur la VAE | Basé sur GAN | Basé sur le flux | Basé sur des invites |
| Basé sur les scores | Basé sur l'énergie | Basé sur la diffusion | DMG d’apprentissage actif |
| Basé sur RL | DMG multitâches | Recherche d'arbres de Monte-Carlo | Basé sur un algorithme génétique |
| Basé sur un algorithme évolutif | Basé sur un grand modèle de langage |
Conception matérielle utilisant l'intelligence artificielle générative et l'apprentissage profond
| Menu | Menu | Menu | Menu |
|---|---|---|---|
génial-AI4ProteinConformation-MD
https://github.com/AspirinCode/awesome-AI4ProteinConformation-MD
Grand modèle de langage pour la science biomédicale, la découverte de molécules, de protéines et de matériaux
https://github.com/HHW-zhou/LLM4Mol
Liste des articles sur la conception de protéines à l'aide du Deep Learning
https://github.com/Peldom/papers_for_protein_design_using_DL
Une IA générative géniale
https://github.com/steven2358/awesome-generative-ai
Génération-moléculaire-impressionnante
https://github.com/amorehead/awesome-molecular-generation
Une enquête sur l'intelligence artificielle dans la découverte de médicaments
https://github.com/dengjianyuan/Survey_AI_Drug_Discovery
Apprentissage profond de la géométrie pour la découverte de médicaments et les sciences de la vie
https://github.com/3146830058/Geometry-Deep-Learning-for-Drug-Discovery-and-Life-Science
Modèles de diffusion dans la conception de médicaments de novo [204]
Alakhdar, Amira, Barnabas Poczos et Newell Washburn.
J. Chem. Inf. Modèle. (2024)
Optimisation approfondie des leads : tirer parti de l'IA générative pour la modification structurelle [2024]
Zhang, Odin, Haitao Lin, Hui Zhang, Huifeng Zhao, Yufei Huang, Yuansheng Huang, Dejun Jiang, Chang-yu Hsieh, Peichen Pan et Tingjun Hou.
arXiv:2404.19230 (2024)
Libérer le potentiel de l’intelligence artificielle générative dans la découverte de médicaments [2024]
Romanelli, Virgilio, Carmen Cerchia et Antonio Lavecchia.
Applications de l'IA générative (2024)
Progrès récents dans la conception automatisée de médicaments De Novo basée sur la structure [2024]
Bai, Qifeng, Jian Ma et Tingyang Xu.
J. Chem. Inf. Modèle. (2024)
Modèles génératifs d’IA Deep Learning pour la découverte de médicaments [2024]
Bai, Qifeng, Jian Ma et Tingyang Xu.
Applications de l'IA générative. Cham : Springer International Publishing (2024)
Modèles génératifs profonds dans la génération de molécules de médicaments De Novo [2024]
Xiangru Tang, Howard Dai, Elizabeth Knight, Fang Wu, Yunyang Li, Tianxiao Li, Mark Gerstein
arXiv:2402.08703 (2024) | code
Modèles génératifs profonds dans la génération de molécules de médicaments De Novo [2023]
Chao Pang, Jianbo Qiao, Xiangxiang Zeng, Quan Zou et Leyi Wei*
J. Chem. Inf. Modèle. (2023)
Le guide de l'auto-stoppeur sur la chimie générative basée sur l'apprentissage profond [2023]
Yan Ivanenkov, Bogdan Zagribelnyy, Alex Malyshev, Sergei Evteev, Victor Terentiev, Petrina Kamya, Dmitry Bezrukov, Alex Aliper, Feng Ren et Alex Zhavoronkov
ACS Méd. Chimique. Lett. (2023)
Informatique quantique pour des applications à court terme en chimie générative et en découverte de médicaments [2023]
Pyrkov, Alexey, Alex Aliper, Dmitry Bezrukov, Yen-Chu Lin, Daniil Polykovskiy, Petrina Kamya, Feng Ren et Alex Zhavoronkov.
La découverte de médicaments aujourd'hui (2023)
Une enquête systématique sur l'apprentissage profond géométrique pour la conception de médicaments basée sur la structure [2023]
Zaixi Zhang, Jiaxian Yan, Qi Liu, Enhong Chen
arXiv:2306.11768v2
Comment l’IA générative va-t-elle perturber la science des données dans la découverte de médicaments ? [2023]
Vert, JP.
Nat Biotechnologie (2023)
Les modèles génératifs comme paradigme émergent dans les sciences chimiques [2023]
Anstine, Dylan M. et Olexandr Isaïev.
JACS (2023)
Modèles de langage chimique pour la conception de médicaments de novo : défis et opportunités [2023]
Grisoni, Francesca.
Opinion actuelle en biologie structurale 79 (2023)
L'intelligence artificielle dans la conception de médicaments multi-objectifs [2023]
Luukkonen, Sohvi, Helle W. van den Maagdenberg, Michael TM Emmerich et Gerard JP van Westen.
Opinion actuelle en biologie structurale 79 (2023)
Intégration d'approches basées sur la structure dans la conception moléculaire générative [2023]
Thomas, Morgan, Andreas Bender et Chris de Graaf.
Opinion actuelle en biologie structurale 79 (2023)
Données ouvertes et algorithmes pour une science ouverte en informatique moléculaire basée sur l'IA [2023]
Brinkhaus, Henning Otto, Kohulan Rajan, Jonas Schaub, Achim Zielesny et Christoph Steinbeck.
Opinion actuelle en biologie structurale 79 (2023)
Conception de médicaments basée sur la structure avec apprentissage profond géométrique [2023]
Isert, Clemens, Kenneth Atz et Gisbert Schneider.
Opinion actuelle en biologie structurale 79 (2023)
MolGenSurvey : Une enquête systématique sur les modèles d'apprentissage automatique pour la conception de molécules [2022]
Du, Yuanqi, Tianfan Fu, Jimeng Sun et Shengchao Liu.
arXiv:2203.14500 (2022)
La conception moléculaire générative profonde remodèle la découverte de médicaments [2022]
Zeng, Xiangxiang, Fei Wang, Yuan Luo, Seung-gu Kang, Jian Tang, Felice C. Lightstone, Evandro F. Fang, Wendy Cornell, Ruth Nussinov et Feixiong Cheng.
Cell Reports Médecine (2022)
Découverte de médicaments basée sur la structure avec apprentissage profond [2022]
Özçelik, Riza, Derek van Tilborg, José Jiménez-Luna et Francesca Grisoni.
ChemBioChem (2022)
Modèles génératifs pour la découverte moléculaire : avancées et défis récents [2022]
Bilodeau, Camille, Wengong Jin, Tommi Jaakkola, Regina Barzilay et Klavs F. Jensen.
Science moléculaire computationnelle 12.5 (2022)
Évaluation de modèles génératifs profonds dans l'espace de composition chimique [2022]
Türk, Hanna, Elisabetta Landini, Christian Kunkel, Johannes T. Margraf et Karsten Reuter.
Chimie des matériaux 34.21 (2022)
Apprentissage automatique génératif pour la découverte de médicaments de novo : une revue systématique [2022]
Martinelli, Dominique.
Ordinateurs en biologie et médecine 145 (2022)
Approches génératives basées sur le docking dans la recherche de nouveaux candidats médicaments [2022]
Danel, Tomasz, Jan Łęski, Sabina Podlewska et Igor T. Podolak.
La découverte de médicaments aujourd'hui (2022)
Avancées et défis dans la conception de médicaments De Novo à l’aide de modèles génératifs profonds tridimensionnels [2022]
Xie, Weixin, Fanhao Wang, Yibo Li, Luhua Lai et Jianfeng Pei.
J. Chem. Inf. Modèle. 2022, 62, 10, 2269–2279
Apprentissage profond pour catalyser la conception moléculaire inverse [2022]
Alshehri, Abdulelah S. et Fengqi You.
Journal de génie chimique 444 (2022)
L'IA dans la conception de composés 3D [2022]
Hadfield, Thomas E. et Charlotte M. Deane.
Opinion actuelle en biologie structurale 73 (2022)
Approches d'apprentissage profond pour la conception de médicaments de novo : un aperçu [2021]
Wang, Mingyang, Zhe Wang, Huiyong Sun, Jike Wang, Chao Shen, Gaoqi Weng, Xin Chai, Honglin Li, Dongsheng Cao et Tingjun Hou.
Opinion actuelle en biologie structurale 72 (2022)
Chimie générative : découverte de médicaments avec des modèles génératifs d'apprentissage profond [2021]
Bian, Yuemin et Xiang-Qun Xie.
Journal de modélisation moléculaire 27 (2021)
Apprentissage profond génératif pour la conception de composés ciblés [2021]
Sousa, Tiago, João Correia, Vítor Pereira et Miguel Rocha.
J. Chem. Inf. Modèle. 2021, 61, 11, 5343–5361
Modèles génératifs pour la conception de médicaments De Novo [2021]
Tong, Xiaochu, Xiaohong Liu, Xiaoqin Tan, Xutong Li, Jiaxin Jiang, Zhaoping Xiong, Tingyang Xu, Hualiang Jiang, Nan Qiao et Mingyue Zheng.
Journal de chimie médicinale 64.19 (2021)
Conception moléculaire dans la découverte de médicaments : un examen complet des modèles génératifs profonds [2021]
Cheng, Yu, Yongshun Gong, Yuansheng Liu, Bosheng Song et Quan Zou.
Briefings en bioinformatique 22.6 (2021)
Conception moléculaire de novo et modèles génératifs [2021]
Meyers, Joshua, Benedek Fabian et Nathan Brown.
Découverte de médicaments aujourd'hui 26.11 (2021)
Apprentissage profond pour la conception moléculaire : un état de l'art [2019]
Elton, Daniel C., Zois Boukouvalas, Mark D. Fuge et Peter W. Chung.
Conception et ingénierie de systèmes moléculaires 4.4 (2019)
Conception moléculaire inverse utilisant l'apprentissage automatique : modèles génératifs pour l'ingénierie de la matière [2018]
Sánchez-Lengeling, Benjamin et Alán Aspuru-Guzik.
Sciences 361.6400 (2018)
Banque de médicaments
ZINC15
ZINC20
PubChem
ChEMBL
Bases de données GDB
ChemSpider
Ensemble de données QM
NOIX DE COCO | Collection de bases de données ouvertes sur les produits naturels
Données Mol
Une référence moléculaire pour l'apprentissage automatique basé sur les maladies et les cibles
https://github.com/LumosBio/MolData
Étude comparative des modèles génératifs profonds pour la conception de polymères inverses [2024]
Yue T, Tao L, Varshney V, Li Y.
chemrxiv-2024-gzq4r (2024)
RediscMol : analyse comparative des modèles de génération moléculaire dans les propriétés biologiques [2024]
Weng, Gaoqi, Huifeng Zhao, Dou Nie, Haotian Zhang, Liwei Liu, Tingjun Hou et Yu Kang.
J.Méd. Chimique. 2024 | code
Les modèles génératifs devraient au moins être capables de concevoir des molécules qui s'ancrent bien : une nouvelle référence [2023]
Ciepliński, Tobiasz, Tomasz Danel, Sabina Podlewska et Stanisław Jastrzȩbski.
J. Chem. Inf. Modèle. 2023, 63, 11, 3238-3247 | code
Tartarus : une plate-forme d'analyse comparative pour une conception moléculaire inverse réaliste et pratique [2022]
Nigam, AkshatKumar, Robert Pollice, Gary Tom, Kjell Jorner, Luca A.
arXiv:2209.12487v1 | code
Ensembles moléculaires (MOSES) : une plateforme d'analyse comparative pour les modèles de génération moléculaire [2020]
Polykovskiy, Daniil, Alexander Zhebrak, Benjamin Sanchez-Lengeling, Sergey Golovanov, Oktai Tatanov, Stanislav Belyaev, Rauf Kurbanov et al.
Frontières de la pharmacologie 11 (2020) | code
GuacaMol : modèles d'analyse comparative pour la conception moléculaire de Novo [2019]
Brown, Nathan, Marco Fiscato, Marwin HS Segler et Alain C. Vaucher.
J. Chem. Inf. Modèle. 2019, 59, 3, 1096-1108 | code
La ressemblance avec un médicament peut être définie comme un équilibre complexe de diverses propriétés moléculaires et caractéristiques structurelles qui déterminent si une molécule particulière est similaire aux médicaments connus. Ces propriétés, principalement l'hydrophobicité, la distribution électronique, les caractéristiques de liaison hydrogène, la taille et la flexibilité des molécules et bien sûr la présence de diverses caractéristiques pharmacophoriques, influencent le comportement de la molécule dans un organisme vivant, notamment la biodisponibilité, les propriétés de transport, l'affinité avec les protéines, la réactivité, la toxicité, les effets métaboliques. stabilité et bien d’autres.
https://github.com/AspirinCode/DrugAI_Drug-Likeness
estimation quantitative de la ressemblance avec un médicament
estimation quantitative de l'interaction protéine-protéine ciblant la ressemblance avec un médicament
Indice d'estimation quantitative pour le criblage précoce de composés ciblant les interactions protéine-protéine [2021]
Kosugi, Takatsugu et Masahito Ohue.
Revue internationale des sciences moléculaires 22.20 (2021) | code
Estimation quantitative de l’interaction protéine-protéine ciblant la ressemblance avec un médicament [2021]
Kosugi, Takatsugi et Masahito Ohue.
CIBCB. IEEE, (2021) | code
Estimation du score d'accessibilité synthétique de molécules de type médicament sur la base de la complexité moléculaire et des contributions de fragments
J Cheminform 1, 8 (2009) | code
Score d'accessibilité rétrosynthétique (RAscore) - classification rapide de la synthétisabilité par apprentissage automatique à partir d'une planification rétrosynthétique pilotée par l'IA
Sciences chimiques 12.9 (2021) | code
Diversité hamiltonienne : mesurer efficacement la diversité moléculaire par les circuits hamiltoniens les plus courts [2024]
Hu, X., Liu, G., Yao, Q. et al.
J Cheminform 16, 94 (2024) | code
Score spatial – Un indicateur topologique complet pour la complexité des petites molécules [2023]
Krzyzanowski, Adrian, Axel Pahl, Michael Grigalunas et Herbert Waldmann.
J.Méd. Chimique. (2023) | chemrxiv-2023-nd1ll | code
Une fonction de notation automatisée pour faciliter et standardiser l'évaluation des modèles génératifs axés sur un objectif pour la conception moléculaire de novo [2023]
Thomas, Morgan, Noel M. O'Boyle, Andreas Bender et Chris De Graaf.
chemrxiv-2023-c4867 | code
FCD : Fréchet ChemNet Distance
Distance Fréchet ChemNet : une métrique pour les modèles génératifs de molécules dans la découverte de médicaments Preuer, Kristina, Philipp Renz, Thomas Unterthiner, Sepp Hochreiter et Gunter Klambauer.
J. Chem. Inf. Modèle. 2018, 58, 9, 1736-1741 | code
Classement des molécules basé sur la perplexité et estimation du biais des modèles de langage chimique [2022]
Moret, M., Grisoni, F., Katzberger, P. et Schneider, G.
J. Chem. Inf. Modèle. 2022, 62, 5, 1199-1206 | code
Échantillonnage amélioré assisté par apprentissage en profondeur pour l'exploration des changements conformationnels moléculaires [2023]
Haohao Fu, Han Liu, Jingya Xing, Tong Zhao, Xueguang Shao et Wensheng Cai.
J. Phys. Chimique. B (2023)
Un cadre de bout en bout pour la génération de conformation moléculaire via une programmation à deux niveaux [2021]
Xu, Minkai, Wujie Wang, Shitong Luo, Chence Shi, Yoshua Bengio, Rafael Gomez-Bombarelli et Jian Tang.
Conférence internationale sur l'apprentissage automatique. PMLR (2021) | code
AGDIFF : Diffusion améliorée par l'attention pour la prédiction de la géométrie moléculaire [204]
Kim, S., Woo, J. et Kim, Wyoming
ChemRxiv. (2024) | code
IA générative basée sur la diffusion pour explorer les états de transition à partir de graphiques moléculaires 2D [204]
Kim, S., Woo, J. et Kim, Wyoming
Nat Commun 15, 341 (2024) | code
Modèle génératif basé sur la physique pour les conformères de molécules de type médicament [204]
David C. Williams, Neil Imana.
arXiv :2403.07925. (2024) | code
DynamicsDiffusion : génération et échantillonnage d'événements rares de trajectoires dynamiques moléculaires à l'aide de modèles de diffusion [2023]
Petersen, Magnus, Gemma Roig et Roberto Covino.
NeurIPS 2023 AI4Science (2023)
Génération de champs de conformateurs moléculaires [2023]
Yuyang Wang, Ahmed Elhag, Navdeep Jaitly, Joshua Susskind, Miguel Bautista.
[Atelier NeurIPS 2023 sur l'IA générative et la biologie (GenBio) (2023)]https://openreview.net/forum?id=Od1KtMeAYo)
Sur l'accélération de la génération de conformation moléculaire basée sur la diffusion dans un espace invariant SE (3) [2023]
Zhou, Z., Liu, R. et Yu, T.
arXiv :2310.04915 (2023))
Génération de conformation moléculaire via des scores changeants [2023]
Zhou, Zihan, Ruiying Liu, Chaolong Ying, Ruimao Zhang et Tianshu Yu.
arXiv:2309.09985 (2023)
EC-Conf : un modèle de diffusion ultra-rapide pour la génération de conformation moléculaire avec une cohérence équivariante [2023]
Fan, Zhiguang, Yuedong Yang, Mingyuan Xu et Hongming Chen.
arXiv:2308.00237 (2023)
Diffusion de torsion pour la génération de conformères moléculaires [2022]
Jing, Bowen, Gabriele Corso, Jeffrey Chang, Regina Barzilay et Tommi Jaakkola.
NeuroIPS. (2022) | code
GeoDiff : un modèle de diffusion géométrique pour la génération de conformation moléculaire [2022]
Xu, Minkai, Lantao Yu, Yang Song, Chence Shi, Stefano Ermon et Jian Tang.
Conférence internationale sur les représentations de l'apprentissage. (2022) | code
Découverte accélérée des inhibiteurs du carbamate Cbl-b à l'aide de modèles d'IA génératifs et de la conception de médicaments basés sur la structure [2024]
Quinn, TR, Giblin, KA, Thomson, C., Boerth, JA, Bommakanti, G., Braybrooke, E., Chan, C., Chinn, AJ, Code, E., Cui, C. et Fan, Y.
J.Méd. Chimique. (2024) | code
Reinvent 4 : Conception de molécules génératives modernes basées sur l'IA [2024]
Hannes H. Loeffler, Jiazhen He, Alessandro Tibo, Jon Paul Janet, Alexey Voronov, Lewis H. Mervin et Ola Engkvist
Journal de Chemininformatique,16(20) (2024) | code
Chemistry42 : une plate-forme basée sur l'IA pour la conception et l'optimisation moléculaires [2023]
Ivanenkov, Yan A., Daniil Polykovskiy, Dmitry Bezrukov, Bogdan Zagribelnyy, Vladimir Aladinskiy, Petrina Kamya, Alex Aliper, Feng Ren et Alex Zhavoronkov.
Journal d'information et de modélisation chimiques 63.3 (2023) | la toile
Réseau neuronal récurrent conditionnel transcriptionnellement pour la conception de médicaments De Novo [2024]
Matsukiyo, Y., Tengeiji, A., Li, C. et Yamanishi, Y.
J. Chem. Inf. Modèle. (2024) | code
Conception prospective de novo de médicaments avec apprentissage profond de l’interactome [2024]
Atz, K., Cotos, L., Isert, C. et al.
Commune Nat 15, 3408 (2024) | code
CNSMolGen : un modèle génératif bidirectionnel basé sur des réseaux de neurones récurrents pour la conception de novo de médicaments pour le système nerveux central [2024]
Gou, Rongpei, Jingyi Yang, Menghan Guo, Yingjun Chen et Weiwei Xue.
chemrxiv-2024-x4wbl (2024) | code
NovoMol : Réseau neuronal récurrent pour la conception et la validation de médicaments biodisponibles par voie orale sur le récepteur PDGFRα [2023]
Rao, Ishir.
arXiv:2312.01527 (2023) | code
Génération d'une bibliothèque de molécules médicamenteuses ciblées à l'aide d'un réseau neuronal récurrent [2023]
Zou, Jinping, Long Zhao et Shaoping Shi.
Journal de modélisation moléculaire 29.12 (2023) | code
ChemTSv2 : Conception moléculaire fonctionnelle utilisant un générateur de molécules de novo [2023]
Ishida, Shoichi, Tanuj Aasawat, Masato Sumita, Michio Katouda, Tatsuya Yoshizawa, Kazuki Yoshizoe, Koji Tsuda et Kei Terayama.
Examens interdisciplinaires Wiley : Science moléculaire computationnelle (2023) | code
Utilisation de l'apprentissage par renforcement pour la conception de médicaments de novo [2023]
Svensson, Hampus Gummesson, Christian Tyrchan, Ola Engkvist et Morteza Haghir Chehreghani.
arXiv:2303.17615 (2023) | code
Conception de médicaments de novo basée sur Stack-RNN avec somme pondérée en fonction des récompenses multi-objectifs et apprentissage par renforcement [2023]
Hu, P., Zou, J., Yu, J. et al.
J Mol Modèle 29, 121 (2023) | code
Sur la difficulté de valider de manière réaliste les modèles génératifs moléculaires : une étude de cas sur des données publiques et propriétaires [2023]
Handa, Koichi, Morgan Thomas, Michiharu Kageyama, Takeshi Iijima et Andreas Bender.
chemrxiv-2023-lbvgn | code
Magicmol : un pipeline léger pour l'évolution de molécules de type médicament et l'exploration chimique rapide de l'espace [2023]
Chen, Lin, Qing Shen et Jungang Lou.
BMC Bioinformatique (2023) | code
Augmented Hill-Climb augmente l'efficacité de l'apprentissage par renforcement pour la génération de molécules de novo basée sur le langage [2022]
Thomas, M., O'Boyle, NM, Bender, A. et al.
J Cheminform (2022) | code
Conception de molécules de novo avec des modèles de langage chimique [2022]
Grisoni, F., Schneider, G.
Intelligence artificielle dans la conception de médicaments. Méthodes en biologie moléculaire, vol 2390. (2022) | code
Cadre RNN corrélé pour générer rapidement des molécules avec les propriétés souhaitées pour les matériaux énergétiques dans le régime de données faibles [2022]
Li, Chuan, Chenghui Wang, Ming Sun, Yan Zeng, Yuan Yuan, Qiaolin Gou, Guangchuan Wang, Yanzhi Guo et Xuemei Pu.
J. Chem. Inf. Modèle. (2022) | code
Optimisation des architectures de réseaux neuronaux récurrents pour la conception de médicaments De Novo [2021]
Santos, BP, Abbasi, M., Pereira, T., Ribeiro, B. et Arrais, JP
Papier | code
Un réseau neuronal récurrent (RNN) qui génère des molécules de type médicament pour la découverte de médicaments [2021]
code
Un modèle génératif de molécules utilisait l'empreinte digitale d'interaction (pose d'accueil) comme contraintes [2021]
code
Génération de molécules bidirectionnelles avec des réseaux de neurones récurrents [2020]
Grisoni, F., Moret, M., Lingwood, R. et Schneider, G.
J. Chem. Inf. Modèle. (2020) | code
Pilotage direct de la génération moléculaire de novo avec des réseaux de neurones récurrents conditionnels descripteurs [2019]
Kotsias, PC., Arús-Pous, J., Chen, H. et al.
Nat Mach Intell 2, 254-265 (2020) | code
ChemTS : une bibliothèque Python efficace pour la génération moléculaire de novo [2017]
Yang, X., Zhang, J., Yoshizoe, K., Terayama, K. et Tsuda, K.
Science et technologie des matériaux avancés (2017) | code
ClickGen : Exploration dirigée de l'espace chimique synthétisable via des réactions modulaires et un apprentissage par renforcement [2024]
Wang, M., Li, S., Wang, J. et al.
Nat Commun 15, 10127 (2024) | code
DigFrag comme méthode de fragmentation numérique utilisée pour la conception de médicaments basée sur l'intelligence artificielle [2024]
Yang, R., Zhou, H., Wang, F. et al.
Commun Chem 7, 258 (2024) | code
Conception prospective de novo de médicaments avec apprentissage profond de l’interactome [2024]
Atz, K., Cotos, L., Isert, C. et al.
Commune Nat 15, 3408 (2024) | code
Découverte informatique de médicaments sur le virus VIH avec une architecture d'apprentissage en profondeur d'auto-encodeur variationnel LSTM personnalisée [2023]
Kutsal, Mucahit, Ferhat Ucar et Nida Kati.
CPT : Pharmacométrie & Pharmacologie des Systèmes. (2023) | code
Modèles de séquence état-espace structurés pour la conception de médicaments De Novo [2023]
Özçelik R, de Ruiter S, Grisoni F.
chemrxiv-2023-jwmf3. (2023) | code
Intégration de l'accessibilité synthétique à la conception générative de médicaments basée sur l'IA [2023]
Parrot, M., Tajmouati, H., da Silva, VBR et al.
J Cheminform 15, 83 (2023) | code
Apprentissage profond de l'interactome pour la conception de médicaments de novo [2023]
Atz K, Cotos Muñoz L, Isert C, Håkansson M, Focht D, Nippa DF et al.
chemrxiv-2023-cbq9k (2023)
Conception de médicaments de novo basée sur l'apprentissage profond et basée sur des structures de pompe à protons gastriques [2023]
Abe, K., Ozako, M., Inukai, M. et al.
Commun Biol 6, 956 (2023) | code
Intelligence artificielle pour la prédiction des activités biologiques et la génération de résultats moléculaires à l'aide d'informations stéréochimiques [2023]
Pereira, Tiago O., Maryam Abbasi, Rita I. Oliveira, Romina A. Guedes, Jorge AR Salvador et Joel P. Arrais.
Place de la Recherche. (2023) | code
LOGIQUE : Apprentissage de la distribution générative optimale pour la conception de structures chimiques de novo [2023]
Bae, B., Bae, H. et Nam, H.
J Cheminform 15, 77 (2023) | code
Tirer parti de la structure moléculaire et de la bioactivité avec des modèles de langage chimique pour la conception de médicaments de novo [2023]
Kotsias, PC., Arús-Pous, J., Chen, H. et al.
Nat Commun 14, 114 (2023) | code
CharLSTM basé sur SMILES avec réglage fin et génération orientée vers un objectif via un gradient politique [2022]
code
DeLA-Drug : un algorithme d'apprentissage en profondeur pour la conception automatisée d'analogues médicamenteux [2022]
Creanza, TM, Lamanna, G., Delre, P., Contino, M., Corriero, N., Saviano, M., ... et Ancona, N.
J. Chem. Inf. Modèle. (2022) | Internet
Conception de novo et prédiction de la bioactivité des principaux inhibiteurs de la protéase du SRAS-CoV-2 à l'aide d'un apprentissage par transfert récurrent basé sur un réseau neuronal [2021]
Santana, MVS, Silva-Jr, FP
Chimie BMC 15, 8 (2021) | code
Réseaux récurrents génératifs pour la conception de médicaments De Novo [2018]
Gupta, A., Müller, AT, Huisman, BJ, Fuchs, JA, Schneider, P. et Schneider, G.
Mol Informer. 2018 | code
Réseaux de neurones récurrents génératifs pour la conception de médicaments De Novo [2017]
Gupta, Anvita et coll.
Mol Informer. 2018 | code
Saturne : conception moléculaire générative efficace en matière d'échantillons utilisant la manipulation de la mémoire [2024]
Jeff Guo, Philippe Schwaller.
arXiv:2405.17066 (2024) | code
Permettre à la génération de molécules sensibles aux cibles de suivre plusieurs objectifs avec Pareto MCTS [2024]
Yang, Y., Chen, G., Li, J. et al.
Commun Biol 7, 1074 (2024) | code
PocketFlow est un modèle génératif moléculaire basé sur des données et des connaissances [2024]
Shengyong Yang, Yuanyuan Jiang, Guo Zhang et al.
Nat Mach Intell (2024) | Place de la Recherche. PRÉIMPRESSION. (2023) | code
Conception de molécules de novo vers des propriétés biaisées via un cadre génératif approfondi et un apprentissage par transfert itératif [2024]
Sattari, Kianoosh, Dawei Li, Bhupalee Kalita, Yunchao Xie, Fatemeh Barmaleki Lighvan, Olexandr Isayev et Jian Lin.
Découverte numérique (2024) | code
Symphonie : Harmoniques sphériques centrées sur des points équivariantes de symétrie pour la génération de molécules 3D [2024]
Ameya Daigavane et Song Eun Kim et Mario Geiger et Tess Smidt.
ICLR (2024) | code
Diffusion autorégressive basée sur des fragments pour la conception de ligands sensibles aux poches [2023]
Ghorbani, Mahdi, Leo Gendelev, Paul Beroza et Michael Keiser.
Atelier NeurIPS 2023 sur l'IA générative et la biologie (GenBio). (2023) | code
Apprentissage sur la surface topologique et la structure géométrique pour la génération moléculaire 3D [2023]
Zhang, Odin, Tianyue Wang, Gaoqi Weng, Dejun Jiang, Ning Wang, Xiaorui Wang, Huifeng Zhao et al.
Nat Comput Sci (2023) | code
ResGen est un modèle de génération moléculaire 3D de poche basé sur une modélisation multi-échelle parallèle [2023]
Zhang, O., Zhang, J., Jin, J. et al.
Nat Mach Intell (2023) | code
FFLOM : un modèle autorégressif basé sur le flux pour l'optimisation fragmentaire en piste [2023]
Jieyu Jin, Dong Wang, Guqin Shi, Jingxiao Bao, Jike Wang, Haotian Zhang, Peichen Pan, Dan Li, Xiaojun Yao, Huanxiang Liu, Tingjun Hou et Yu Kang
J.Méd. Chimique. (2023) | code
Génération moléculaire indépendante du domaine avec auto-rétroaction [2023]
Yin Fang, Ningyu Zhang, Zhuo Chen, Xiaohui Fan, Huajun Chen
arXiv:2301.11259v3 | code
GraphAF : un modèle autorégressif basé sur le flux pour la génération de graphiques moléculaires [2020]
Shi, C., Xu, M., Zhu, Z., Zhang, W., Zhang, M. et Tang, J.
ICLR (2020) |arXiv:2001.09382 | code
Édition moléculaire générative de type médicament basée sur la diffusion avec langage naturel chimique [2024]
Jianmin Wang, Peng Zhou, Zixu Wang, Wei Long, Yangyang Chen, Kyoung Tai No, Dongsheng Ouyang*，Jiashun Mao* et Xiangxiang Zeng*.
J.Pharm. Anal. (2024) | code
Exploitation du VAE Tree-Transformer avec la tokenisation des fragments pour un grand modèle génératif chimique hautes performances [2024]
Inukai T, Yamato A, Akiyama M, Sakakibara Y.
ChemRxiv. (2024) | code
Une approche d'apprentissage en profondeur pour la génération rationnelle de ligands avec contrôle de la toxicité via des éléments de base réactifs [2024]
Li, P., Zhang, K., Liu, T. et al.
Nat Comput Sci (2024) | code
Un modèle de base pour la conception chimique et la prévision des propriétés [2024]
Cai, F., Zhu, T., Tzeng, TR, Duan, Y., Liu, L., Pilla, S., Li, G. et Luo, F.
arXiv:2410.21422 (2024) | code
SE(3) Topologies équivariantes pour la découverte de médicaments basée sur la structure [2024]
Prat A, Abdel Aty H, Pabrinkis A, Bastas O, Paquet T, Kamuntavičius G, et al.
ChemRxiv. (2024)
Transformateurs de diffusion graphique pour la génération moléculaire multiconditionnelle [2024]
Liu, Gang, Jiaxin Xu, Te Luo et Meng Jiang.
NeurIPS 2024 (Oral). (2024) | code
Exploration spatiale chimique locale exhaustive à l'aide d'un modèle de transformateur [2024]
Tibo, A., He, J., Janet, JP et al.
Commune Nat 15, 7315 (2024) | code
Encodeur automatique variationnel Transformer Graph pour la conception moléculaire générative [2024]
Nguyen, Trieu et Aleksandra Karolak.
bioRxiv (2024)
BindGPT : un cadre évolutif pour la conception moléculaire 3D via la modélisation linguistique et l'apprentissage par renforcement [2024]
Zholus, Artem, Maksim Kuznetsov, Roman Schutski, Rim Shayakhmetov, Daniil Polykovskiy, Sarath Chandar et Alex Zhavoronkov.
arXiv:2406.03686 (2024)
Explorer de nouveaux analogues du fentanyl à l'aide d'un modèle de transformateur basé sur un graphique [2024]
Zhang, Guangle, Yuan Zhang, Ling Li, Jiaying Zhou, Honglin Chen, Jinwen Ji, Yanru Li, Yue Cao, Zhihui Xu et Cong Pian.
Sciences interdisciplinaires : Sciences computationnelles de la vie (2024) | code
TenGAN : les encodeurs de transformateur purs constituent un GAN discret efficace pour la génération moléculaire de Novo [2024]
Li, Chen et Yoshihiro Yamanishi.
Conférence internationale sur l'intelligence artificielle et les statistiques. PMLR (2024)
DockingGA : amélioration de la génération de molécules ciblées à l'aide d'un réseau neuronal de transformateur et d'un algorithme génétique avec simulation d'amarrage [2024]
Changnan Gao, Wenjie Bao, Shuang Wang, Jianyang Zheng, Lulu Wang, Yongqi Ren, Linfang Jiao, Jianmin Wang, Xun Wang.
Briefings en génomique fonctionnelle (2024) | code
Je dois être SÉCURISÉ : un nouveau cadre pour la conception moléculaire [2024]
Noutahi, Emmanuel, Cristian Gabellini, Michael Craig, Jonathan SC Lim et Prudencio Tossou.
Découverte numérique (2024) | arXiv:2310.10773 (2023) | code
Améliorer l'efficacité de la conception moléculaire : unir les modèles de langage et les réseaux génératifs avec des algorithmes génétiques [2024]
Bhowmik, Debsindhu, Pei Zhang, Zachary Fox, Stephan Irle et John Gounley.
Modèles (2024) | code
ChemSpaceAL : une méthodologie d'apprentissage actif efficace appliquée à la génération moléculaire spécifique aux protéines [2024]
Kyro, Gregory W., Anton Morgunov, Rafael I. Brent et Victor S. Batista.
J. Chem. Inf. Modèle. (2024) | code
Évaluation de l'apprentissage par renforcement dans la conception moléculaire basée sur un transformateur [2024]
He J, Tibo A, Janet JP, Nittinger E, Tyrchan C, Czechtizky W et al.
chemrxiv-2024-r9ljm (2024) | code
Optimisation du double espace : conception améliorée de séquences moléculaires par Latent Prompt Transformer [2024]
Deqian Kong et Yuhao Huang et Jianwen Xie et Edouardo Honig et Ming Xu et Shuanghong Xue et Pei Lin et Sanping Zhou et Sheng Zhong et Nanning Zheng et Ying Nian Wu.
arXiv:2402.17179 (2024)
Un nouveau modèle génératif de molécules de VAE combiné avec Transformer [2024]
Yasuhiro Yoshikai et Tadahaya Mizuno et Shumpei Nemoto et Hiroyuki Kusuhara.
arXiv:2402.11950 (2024) | code
GexMolGen : génération multimodale de molécules de type hit via un grand modèle de langage codant des signatures d'expression génique [2024]
Cheng, Jia-Bei, Xiaoyong Pan, Kaiyuan Yang, Shenghao Cao, Bin Liu, Qingran Yan et Ye Yuan.
bioRxiv (2024) | code
Générateur local alimenté par la diversité des échafaudages pour la découverte d'inhibiteurs potentiels du 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 et Lijuan Chen.
J. Chem. Inf. Modèle. (2024) | code
Génération de molécules sensibles aux cibles pour la conception de médicaments à l'aide d'un modèle de langage chimique [2024]
Xia, Yingce, Kehan Wu, Pan Deng, Renhe Liu, Yuan Zhang, Han Guo, Yumeng Cui et al.
biorxiv (2024)
Accélération de la découverte de ligands nouveaux et bioactifs avec des modèles génératifs informés de pharmacophore [2024]
Xie, Weixin, Jianhang Zhang, Qin Xie, Chaojun Gong, Youjun Xu, Luhua Lai et Jianfeng Pei.
Arxiv: 2401.01059 (2024) | code
Un cadre de découverte de polymère auto-amélioré basé sur un modèle génératif conditionnel [2023]
Xiangyun Lei et Weike Ye et Zhenze Yang et Daniel Schweigert et Ha-Kyung Kwon et Arash Khajeh.
Arxiv: 2312.04013. (2023)
Llamol: un transformateur génératif multi-conditionnel dynamique pour la conception moléculaire de novo [2023]
Dobberstein, Niklas, Astrid Maass et Jan Hamaekers.
Arxiv: 2311.14407. (2023) | code
GraphGpt: un transformateur génératif amélioré graphique pour la génération moléculaire conditionnée [2023]
Lu, Hao, Zhiqiang Wei, Xuze Wang, Kun Zhang et Hao Liu.
Journal international des sciences moléculaires 24.23 (2023) | code
Protacable est un pipeline de calcul intégratif de la modélisation 3D et de l'apprentissage en profondeur pour automatiser la conception de novo de protacs [2023]
Hazem Mslati, Francesco Gentile, Mohit Pandey, Fuqiang Ban, Artem Cherkasov.
Biorxiv 2023.11.20.567951. (2023) | code
Stratégie et optimisation de la génération moléculaire basées sur l'apprentissage du renforcement A2C dans la conception de médicaments de novo [2023]
Wang, Qian, Zhiqiang Wei, Xiaotong Hu, Zhuoya Wang, Yujie Dong et Hao Liu.
Bioinformatique: BTAD693. (2023) | code
Génération croisée de molécules de type hit via le codage du modèle de fondation des signatures d'expression génique [2023]
Jiabei Cheng, Xiaoyong Pan, Kaiyuan Yang, Shenghao Cao, Bin Liu, Ye Yuan.
Biorxiv 2023.11.11.566725. (2023) | code
Reinvent4: conception moderne de molécules génératrices axées sur l'IA [2023]
Loeffler H, He J, Tibo A, Janet JP, Voronov A, Mervin L, et al.
ChemrXIV-2023-XT65X (2023) | code
Optimisation des affinités de liaison dans l'espace chimique avec le transformateur et l'apprentissage en renforcement profond [2023]
Xu, Xiaopeng, Juexiao Zhou, Chen Zhu, Qing Zhan, Zhongxiao Li, Ruochi Zhang, Yu Wang, Xingyu Liao et Xin Gao.
ChemrXIV-2023-7V4SW (2023) | code
Recherche de molécules de grande valeur en utilisant l'apprentissage du renforcement et les transformateurs [2023]
Raj Ghugare et Santiago Miret et Adriana Holessen et Mariano Phielpp et Glen Berseth.
Arxiv: 2310.02902 (2023)
Conception moléculaire de novo par l'apprentissage en renforcement basé sur les transformateurs [2023]
Feng, Tao, Pengcheng Xu, Tianfan Fu, Siddhartha Laghuvarapu et Jimeng Sun.
Arxiv: 2310.05365 (2023)
Modèles de transformateurs génératifs probabilistes pour la conception générative des molécules [2023]
Wei, L., Fu, N., Song, Y. et al.
J Cheminform 15, 88 (2023) | code
Conception de médicaments de novo avec transformateurs conjoints [2023]
Adam Izdebski et Ewelina Węglarz-Tomczak et Ewa Szczurek et Jakub M. Tomczak
Arxiv: 2310.02066. (2023)
Modèles de séquence d'espace d'état structurés pour la conception de médicaments de novo [2023]
Özçelik R, De Ruiter S, Grisoni F.
ChemrXIV-2023-JWMF3. (2023) | code
Génération de novo de structures chimiques d'inhibiteur et de candidats activateurs pour les protéines cibles thérapeutiques par un autoencodeur variationnel basé sur le transformateur et l'optimisation bayésienne [2023]
Yuki Matsukiyo, Chikashige Yamanaka et Yoshihiro Yamanishi.
J. Chem. Inf. Modèle. (2023) | code
Un GAn transformateur inversé génère des molécules limitées d'échafaudage avec optimisation de la propriété. [2023]
Li, C., Yamanishi, Y.
ECML PKDD (2023) | code
Chemspaceal: une méthodologie d'apprentissage active efficace appliquée à la génération moléculaire spécifique aux protéines [2023]
Kyro, Gregory W., Anton Morgunov, Rafael I. Brent et Victor S. Batista.
Arxiv: 2309.05853 (2023) | code
Conception moléculaire 3D efficace avec un transformateur invariant E (3) VAE [2023]
Dollar, Orion, Nisarg Joshi, Jim Pfaendtner et David AC Beck.
Le Journal of Physical Chemistry A (2023) | code
LINGO3DMOL: Génération d'une molécule 3D basée sur la poche à l'aide d'un modèle de langue [2023]
Wang, Lvwei, Zaiyun Lin, Yanhao Zhu, Rong Bai, Wei Feng, Huting Wang, Jielong Zhou, Wei Peng, Bo Huang et Wenbiao Zhou.
Arxiv: 2305.10133 (2023) | code
FSM-DDTR: stratégie de rétroaction de bout en bout pour la conception de médicaments multi-objectifs de novo utilisant des transformateurs [2023]
Monteiro, Nelson RC, Tiago O. Pereira, Ana Catarina D. Machado, José L. Oliveira, Maryam Abbasi et Joel P. Arrais.
Ordinateurs en biologie et médecine (2023) | code
Macrocyclisation des molécules linéaires par apprentissage en profondeur pour faciliter la découverte des candidats au médicament macrocyclique [2023]
Diao, Y., Liu, D., Ge, H. et al.
Nat Commun 14, 4552 (2023) | code
La conception de médicaments de novo basée sur les profils d'expression des gènes du patient via l'apprentissage en profondeur [2023]
Yamanaka, Chikashige, Shunya Uki, Kazuma Kaitoh, Michio Iwata et Yoshihiro Yamanishi.
Informatique moléculaire (2023) | code
Méthode d'apprentissage en profondeur basé sur le transformateur pour optimiser les propriétés ADMET des composés de plomb [2023]
Yang, Lijuan, Chao Jin, Guanghui Yang, Zhitong Bing, Liang Huang, Yuzhen Niu et Lei Yang.
Physiques chimiques chimiques Physique 25.3 (2023)
La conception de médicaments basée sur la séquence comme concept de conception de médicaments informatiques [2023]
Chen, L., Fan, Z., Chang, J. et al.
Nat Commun 14, 4217 (2023) | code
DrugGpt: une stratégie basée sur le GPT pour concevoir des ligands potentiels ciblant des protéines spécifiques [2023]
Yuesen Li, Chengyi Gao, Xin Song, Xiangyu Wang, View Orcid Profileyungang Xu, Sxia Han
Biorxiv (2023) | code
Prefixmol: conception de molécules ciblées et chimiques via l'intégration du préfixe [2023]
Gao, Zhangyang, Yuqi Hu, Cheng Tan et Stan Z. Li.
Arxiv: 2302.07120 (2023) | code
Formation du modèle de langue adaptative pour les conceptions moléculaires [2023]
Andrew E. Blanchard, DebSindhu Bhowmik, Zachary Fox, John Gounley, Jens Glaser, Belinda S. Akpa & Stephan Irle.
J Cheminform 15, 59 (2023) | code
CMGN: Un filet de génération moléculaire conditionnelle pour concevoir des molécules spécifiques à la cible avec les propriétés souhaitées [2023]
Yang, Minjian, Hanyu Sun, Xue Liu, Xi Xue, Yafeng Deng et Xiaojian Wang.
Briefings in Bioinformatics, 2023;, BBAD185 | code
Cmolgpt: un transformateur pré-entraîné générateur conditionnel pour la génération moléculaire de novo spécifique de la cible [2023]
Wang, Ye, Honggang Zhao, Simone Sciabola et Wenlu Wang.
Molécules 2023, 28 (11), 4430 | code
Génération de molécules utilisant des transformateurs et l'apprentissage du renforcement du gradient politique [2023]
Mazuz, E., Shtar, G., Shapira, B. et al.
Sci Rep 13, 8799 (2023) | code
IUPACGPT: Modèle pré-formé moléculaire à grande échelle à base d'IUPAC pour la prédiction des propriétés et la génération de molécules [2023]
Jiashun Mao ,, Jianmin Wang, Kwang-Hwi Cho, Kyoung Tai no
ChemrXIV-2023-5KJVH | code
Génération moléculaire avec un marquage réduit par l'architecture des contraintes [2023]
Wang, Jike, Yundian Zeng, Huiyong Sun, Junmei Wang, Xiaorui Wang, Ruofan Jin, Mingyang Wang et al.
J. Chem. Inf. Modèle. (2023) | code
Découverte générative de nouvelles conceptions chimiques en utilisant la modélisation de diffusion et les réseaux de neurones profonds du transformateur avec une application à des solvants eutectiques profonds [2023]
Luu, Rachel K., Marcin Wysokowski et Markus J. Buehler.
Arxiv: 2304.12400v1 | code
Le transformateur de régression permet une régression et une génération de séquences simultanées pour la modélisation du langage moléculaire [2023]
Né, J., Manica, M.
Nat Mach Intelle 5, 432–444 (2023) | code
Modèle génératif moléculaire à base de transformateur pour la conception de médicaments antiviraux [2023]
Mao, Jiashun; Wang, Jianming; Zeb, Amir; Cho, Kwang-hwi; Jin, Haiyan; Kim, Jongwan; Lee, Onju; Wang, Yunyun; Non, Kyoung Tai.
J. Chem. Inf. Modèle. (2023) | code
Cible conception de novo spécifique des molécules de candidats médicamenteuses avec des réseaux adversaires génératifs basés sur le transformateur graphique [2023]
Ünlü, Atabey, Elif çevrim, Ahmet Sarıgün, Hayriye çelikbilek, Heval Ataş Güvelilir, Altay Koyaş, Deniz Cansen Kahraman, Ahmet Rifaioğlu et Abdurrahman Olğaç.
arXiv: 2302.07868v5
Drugex V3: conception de médicaments liés à l'échafaud avec un apprentissage en renforcement basé sur le transformateur graphique [2023]
Liu, X., Ye, K., van Vlijmen, Hwt et al.
J Cheminform 15, 24 (2023) | code
Explorez l'espace de type médicament avec des modèles génératifs profonds [2023]
Wang, Jianmin et al.
Méthodes (2023) | code
Les représentations du langage chimique à grande échelle capturent la structure et les propriétés moléculaires [2022] [2022]
Ross, J., Belgodere, B., Chenthamarakshan, V., Padhi, I., Mroueh, Y., et Das, P.
Nat Mach Intelle 4, 1256–1264 (2022) | code
Alphadrug: Génération moléculaire de novo cible des protéines [2022]
Qian, Hao, Cheng Lin, Dengwei Zhao, Shikui Tu et Lei Xu.
PNAS Nexus (2022) | code
Pouvons-nous apprendre rapidement à «traduire» les molécules bioactives avec des modèles de transformateurs? [2022]
Bagal, V., Aggarwal, R., Vinod, PK et Priyakumar, UD
ChemrXIV-2022-GLN27
Molgpt: génération moléculaire utilisant un modèle de transformateur-coder [2022]
Bagal, V., Aggarwal, R., Vinod, PK et Priyakumar, UD
J. Chem. Inf. Modèle. 2022, 62, 9, 2064-2076 | code
Mlécules de couture pour les poches protéiques: une solution générative à base de transformateur pour la conception de médicaments à base de structure [2022]
Wu, K., Xia, Y., fan, Y., Deng, P., Liu, H., Wu, L., ... & Liu, Ty
arXiv.2209.06158 | code
Exploitation de modèles de langage biochimique pré-entraîné pour la conception ciblée de médicaments [2022]
Uludoğan, Gökçe, Elif Ozkirimli, Kutlu O. Ulgen, Nilgün Karalı et Arzucan Özgür.
Bioinformatique (2022) | code
Un modèle génératif basé sur un transformateur pour la conception moléculaire de novo [2022]
Wang, Wenlu, et al.
arXiv: 2210.08749v2
Traduction entre les molécules et le langage naturel [2022]
Edwards, C., Lai, T., Ros, K., Honke, G., & Ji, H.
Arxiv: 2204.11817v3 | code
Le transformateur de régression permet une régression et une génération de séquences simultanées pour la modélisation du langage moléculaire [2022]
Né, Jannis et Manica, Matteo
Arxiv: 2202.01338v3 | code
Pré-formation générative des molécules [2021]
Adilov, Sanjar.
J. Chem. Inf. Modèle. 2022, 62, 9, 2064-2076 | code
Transformers pour la génération de graphiques moléculaires [2021]
Cofala, Tim et Oliver Kramer.
Esann 2021 | code
Génération spatiale de molécules avec transformateurs [2021]
Cofala, Tim et Oliver Kramer.
IJCNN52387.2021.9533439 (2021) | code
Transformateur chimique génératif: apprentissage de la machine neurale des structures géométriques moléculaires du langage chimique via ATTENTIO [2021]
Hyunseung Kim, Jonggeol Na *, et a remporté Bo Lee *.
J. Chem. Inf. Modèle. 2021, 61, 12, 5804–5814 | code
C5T5: Génération contrôlable de molécules organiques avec transformateur [2021]
Rothchild, D., Tamkin, A., Yu, J., Misra, U., et Gonzalez, J.
Arxiv: 2108.10307v1 | code
Optimisation moléculaire en capturant l'intuition du chimiste à l'aide de réseaux de neurones profonds [2021]
Lui, J., vous, H., Sandström, E. et al.
J Cheminform 13, 26 (2021) | code
Réseau neuronal du transformateur pour la génération de médicaments de novo spécifique aux protéines comme problème de traduction automatique [2021]
Grechishnikova, Daria.
Sci Rep 11, 321 (2021) | code
Transmol: réutilisation d'un modèle de langue pour la génération moléculaire [2021]
Grechishnikova, Daria.
RSC avance. 2021; 11 (42): 25921-32. | code
Modèles génératifs basés sur l'attention pour la conception moléculaire de novo [2021]
Dollar, O., Joshi, N., Beck, DA et Pfaendtner, J.,
Science chimique 12.24 (2021) | code
Tirer parti du transformateur d'arbres VAE avec une tokenisation fragment pour un modèle génératif chimique à haute performance [2024]
Inukai T, Yamato A, Akiyama M, Sakakibara Y.
ChemrXiv. (2024) | code
Autoencoder variationnel du graphique du transformateur pour la conception moléculaire générative [2024]
Nguyen, Trieu et Aleksandra Karolak.
biorxiv (2024)
Conception de médicaments basée sur la structure avec un modèle génératif hiérarchique profond [2024]
Weller, Jesse A. et Remo Rohs.
J. Chem. Inf. Modèle. (2024) | code
Tirer parti des sous-espaces actifs pour capturer l'incertitude du modèle épistémique dans les modèles génératifs profonds pour la conception moléculaire [2024]
Abeer, Anm, Sanket Jantre, Nathan M. Urban et Byung-Jun Yoon.
Arxiv: 2405.00202 (2024)
GXVAES: Deux VAE conjoints génèrent des molécules de frappe à partir de profils d'expression génique [2024]
Li, Chen et Yoshihiro Yamanishi.
Actes de la conférence AAAI sur l'intelligence artificielle. Vol. 38. No. 12. (2024) | code
Cadre génératif moléculaire 3D pour la conception de médicaments guidés par des interactions [2024]
Zhung, W., Kim, H. & Kim, WY
Nat Commun 15, 2688 (2024) | code
Génération de molécules basée sur l'attention via un autoencoder variationnel hiérarchique [2024]
Divahar Sivanesan.
Arxiv: 2402.16854. (2024)
Un nouveau modèle génératif de molécule de VAE combiné avec le transformateur [2024]
Yasuhiro Yoshikai et Tadahaya Mizuno et Shumpei Nemoto et Hiroyuki Kusuhara.
Arxiv: 2402.11950 (2024) | code
Génération de novo et identification de nouveaux composés ayant une efficacité médicamenteuse basée sur l'apprentissage automatique [2024]
Lui, Dakuo, Qing Liu, Yan Mi, Qingqi Meng, Libin Xu, Chunyu Hou, Jinpeng Wang et al.
Science avancée (2024)
Découverte de médicaments informatiques sur le virus du VIH avec une architecture d'apprentissage en profondeur Autoencoder LSTM personnalisée [2023]
Kutsal, Mucahit, Ferhat Ucar et Nida Kati.
CPT: Pharmacométrie et pharmacologie des systèmes. (2023) | code
NRC-VABS: autoencodeur variationnel conditionnel réparateur normalisé avec recherche de faisceau appliqué dans l'espace latent pour la conception de la molécule de médicament [2023]
Bhadwal, Arun Singh, Kamal Kumar et Neeraj Kumar.
Systèmes experts avec des applications. (2023)
Autocodeurs variationnels conscients de la cible pour la génération de ligands avec modélisation des protéines multimodales [2023]
ONG, Khang et Truong Son Hy.
Atelier de Generative AI et biologie génératif de Neirips 2023. (2023) | code
Cadre génératif moléculaire 3D consacré à l'interaction pour la conception de médicaments basée sur la structure généralisable [2023]
Woo Youn Kim, Wonho Zhung et Hyeongwoo Kim.
Square de recherche. (2023) | code
Application des encodeurs de graphiques variationnels comme algorithme généraliste efficace dans la conception de médicaments assistée par ordinateur [2023]
Lam, Hyi, Pincket, R., Han, H. et al.
Nat Mach Intelle 5, 754–764 (2023) | code
Génération de novo de structures chimiques d'inhibiteur et de candidats activateurs pour les protéines cibles thérapeutiques par un autoencodeur variationnel basé sur le transformateur et l'optimisation bayésienne [2023]
Yuki Matsukiyo, Chikashige Yamanaka et Yoshihiro Yamanishi.
J. Chem. Inf. Modèle. (2023) | code
Rebadd-se: optimisation moléculaire multi-objectifs utilisant des fragments de selfies et une formation de séquence autocritique hors politique [2023]
Choi, Jonghwan, Sangmin Seo, Seungyeon Choi, Shengmin Piao, Chihyun Park, Sung Jin Ryu, Byung Ju Kim et Sanghyun Park.
Ordinateurs en biologie et médecine 157 (2023) | code
Conception moléculaire 3D efficace avec un transformateur invariant E (3) VAE [2023]
Dollar, Orion, Nisarg Joshi, Jim Pfaendtner et David AC Beck.
Le Journal of Physical Chemistry A (2023) | code
Génération moléculaire multi-contraintes utilisant des données d'entraînement peu étiquetées pour un dépistage diluant électrolyte localisé à haute concentration [2023]
Mailoa, Jonathan P., Xin Li, Jiezhong Qiu et Shengyu Zhang.
Découverte numérique (2023) | codes | Ensemble de données
Optimisation moléculaire multi-objectifs pour le traitement du trouble d'utilisation des opioïdes en utilisant un complexe de réseaux génératifs [2023]
Feng, Hongsong, Rui Wang, Chang-Guo Zhan et Guo-Wei Wei.
J. Med. Chimique. (2023) | code
Échafoldgvae: génération d'échafaudage et sauteuse de molécules de médicament via un autoencodeur variationnel basé sur des réseaux de neurones graphiques multi-visualités [2023]
Hu, Chao, Song Li, Chenxing Yang, Jun Chen, Yi Xiong, Fan de Guiseng, Hao Liu et Liang Hong.
J Cheminform 15, 91 (2023) | Square de recherche. (2023) | code
Conception générative profonde de cages organiques poreuses via un autoencodeur variationnel [2023]
Jiajun Zhou, Austin Mroz, Kim Jelfs *.
ChemrXiv (2023) | code
Autocodeurs variationnels conscients de la cible pour la génération de ligands avec apprentissage de la représentation des protéines multimodales [2023]
Nhat Khang Ngo, Truong Son Hy.
bioRxiv. (2023) | code
De novo de
