papers for molecular design using DL
1.0.0
связанные с генеративным искусственным интеллектом и глубоким обучением для разработки молекулярных препаратов/лекарств и создания молекулярных конформаций .
Обновление...
Молекулярная оптимизация приветствуется ！！！
Молекулярный дизайн (лекарств) с использованием генеративного искусственного интеллекта и глубокого обучения
| Меню | Меню | Меню | Меню |
|---|---|---|---|
| Генеративный ИИ для научных открытий | Отзывы | Наборы данных и тесты | Сходство с лекарством и показатели оценки |
| Проектирование на основе глубокого обучения | Текстовые модели молекулярной генерации | Многоцелевые глубокомолекулярные генеративные модели | Глубокие молекулярные генеративные модели на основе лигандов |
| Глубокие молекулярные генеративные модели на основе фармакофоров | Структурно-ориентированные глубокие молекулярные генеративные модели | Глубокие молекулярные генеративные модели на основе фрагментов | DMG на базе строительных лесов |
| DMG на основе фрагментов | DMG на основе мотивов | DMG на основе линкеров | Глубокие молекулярные генеративные модели, основанные на химических реакциях |
| Глубокие молекулярные генеративные модели на основе Omics | Многоцелевые глубокомолекулярные генеративные модели | Квантовые глубокомолекулярные генеративные модели | Рекомендации и ссылки |
| На основе спектров (Масс/ЯМР) | На основе масс-спектров | На основе спектров ЯМР | На основе крио-ЭМ карт |
| Наборы данных | Тесты | Сходство с наркотиками | Метрики оценки |
|---|---|---|---|
| Наборы данных | Тесты | КЭД | SAscore |
| КЭППИ | RAscore | ||
| Метрики оценки | |||
| Молекулярно-генеративная валидация |
| Меню | Меню |
|---|---|
| Эталон для ансамблей молекулярных конформеров | Обзоры для генерации молекулярной конформации |
| Генерация молекулярных конформаций на основе VAE | Генерация молекулярной конформации на основе GAN |
| Генерация молекулярных конформаций на основе энергии | |
| Генерация молекулярных конформаций на основе диффузии | |
| Генерация молекулярных конформаций на основе RL | |
| Генерация молекулярных конформаций на основе GNN |
| Меню | Меню | Меню | Меню |
|---|---|---|---|
| на основе RNN | на основе LSTM | Авторегрессионные модели | Трансформаторный |
| на базе VAE | на базе GAN | Основанный на потоке | На основе подсказок |
| На основе очков | Энергетический | Диффузионный | DMG активного обучения |
| на основе RL | Многозадачные DMG | Поиск по дереву Монте-Карло | На основе генетического алгоритма |
| На основе эволюционного алгоритма | На основе модели большого языка |
Материальный дизайн с использованием генеративного искусственного интеллекта и глубокого обучения
| Меню | Меню | Меню | Меню |
|---|---|---|---|
Awesome-AI4ProteinConformation-MD
https://github.com/AspirinCode/awesome-AI4ProteinConformation-MD
Большая языковая модель для биомедицинских наук, открытия молекул, белков и материалов
https://github.com/HHW-zhou/LLM4Mol
Список статей о дизайне белков с использованием глубокого обучения
https://github.com/Peldom/papers_for_protein_design_using_DL
Потрясающий генеративный ИИ
https://github.com/steven2358/awesome-generative-ai
потрясающее молекулярное поколение
https://github.com/amorehead/awesome-molecular-generation
Исследование использования искусственного интеллекта в открытии лекарств
https://github.com/dengjianyuan/Survey_AI_Drug_Discovery
Глубокое обучение геометрии для открытия лекарств и наук о жизни
https://github.com/3146830058/Geometry-Deep-Learning-for-Drug-Discovery-and-Life-Science
Диффузионные модели при разработке лекарств De Novo [204]
Алахдар, Амира, Барнабас Поцос и Ньюэлл Уошберн.
Дж. Хим. Инф. Модель. (2024)
Глубокая оптимизация потенциальных клиентов: использование генеративного искусственного интеллекта для структурной модификации [2024]
Чжан, Один, Хайтао Линь, Хуэй Чжан, Хуэйфэн Чжао, Юфэй Хуан, Юаньшэн Хуан, Дэцзюнь Цзян, Чан-ю Се, Пейчен Пан и Тинцзюнь Хоу.
arXiv:2404.19230 (2024)
Раскрытие потенциала генеративного искусственного интеллекта в открытии лекарств [2024]
Романелли, Виргилио, Кармен Черкья и Антонио Лавечкья.
Приложения генеративного искусственного интеллекта (2024 г.)
Последние достижения в области автоматизированного дизайна лекарств De Novo на основе структуры [2024]
Бай, Цифэн, Цзянь Ма и Тинъян Сюй.
Дж. Хим. Инф. Модель. (2024)
Генеративные модели глубокого обучения искусственного интеллекта для открытия лекарств [2024]
Бай, Цифэн, Цзянь Ма и Тинъян Сюй.
Приложения генеративного ИИ. Чам: Springer International Publishing (2024)
Глубокие генеративные модели в генерации молекул лекарств De Novo [2024]
Сянгру Тан, Ховард Дай, Элизабет Найт, Фан Ву, Юньян Ли, Тяньсяо Ли, Марк Герштейн
arXiv:2402.08703 (2024) | код
Глубокие генеративные модели в создании молекул лекарств De Novo [2023]
Чао Пан, Цзяньбо Цяо, Сянсян Цзэн, Цюань Цзоу и Лэй Вэй*
Дж. Хим. Инф. Модель. (2023)
Путеводитель для путешествующих автостопом по генеративной химии, основанной на глубоком обучении [2023]
Ян Иваненков, Богдан Загрибельный, Алексей Малышев, Сергей Евтеев, Виктор Терентьев, Петрина Камя, Дмитрий Безруков, Алекс Алипер, Фэн Рен и Алексей Жаворонков
АКС Мед. хим. Летт. (2023)
Квантовые вычисления для краткосрочных приложений в генеративной химии и разработке лекарств [2023]
Пырков, Алексей, Алекс Алипер, Дмитрий Безруков, Йен-Чу Линь, Даниил Поликовский, Петрина Камя, Фэн Рен и Алекс Жаворонков.
Открытие наркотиков сегодня (2023)
Систематическое исследование в области геометрического глубокого обучения для разработки лекарств на основе структуры [2023]
Цзайси Чжан, Цзясянь Ян, Ци Лю, Энхун Чен
arXiv:2306.11768v2
Как генеративный ИИ изменит науку о данных при разработке лекарств? [2023]
Верт, Дж.П.
Нат Биотехнологии (2023)
Генеративные модели как новая парадигма в химических науках [2023]
Анстин, Дилан М. и Александр Исаев.
ЯКС (2023)
Модели химического языка для разработки лекарств de novo: проблемы и возможности [2023]
Гризони, Франческа.
Текущее мнение по структурной биологии 79 (2023)
Искусственный интеллект в многоцелевой разработке лекарств [2023]
Луукконен, Сохви, Хелле В. ван ден Маагденберг, Майкл Т.М. Эммерих и Джерард Дж. П. ван Вестен.
Текущее мнение по структурной биологии 79 (2023)
Интеграция структурных подходов в генеративный молекулярный дизайн [2023]
Томас, Морган, Андреас Бендер и Крис де Грааф.
Текущее мнение по структурной биологии 79 (2023)
Открытые данные и алгоритмы для открытой науки в молекулярной информатике на основе искусственного интеллекта [2023]
Бринкхаус, Хеннинг Отто, Кохулан Раджан, Йонас Шауб, Ахим Зелесны и Кристоф Стейнбек.
Текущее мнение по структурной биологии 79 (2023)
Структурно-ориентированный дизайн лекарств с геометрическим глубоким обучением [2023]
Исерт, Клеменс, Кеннет Ац и Гисберт Шнайдер.
Текущее мнение по структурной биологии 79 (2023)
MolGenSurvey: систематическое исследование моделей машинного обучения для дизайна молекул [2022]
Ду, Юаньци, Тяньфань Фу, Джимэн Сунь и Шэнчао Лю.
arXiv:2203.14500 (2022)
Глубокий генеративный молекулярный дизайн меняет форму открытия лекарств [2022]
Цзэн, Сянсян, Фей Ван, Юань Ло, Сын-гу Кан, Цзянь Тан, Феличе К. Лайтстоун, Эвандро Ф. Фанг, Венди Корнелл, Рут Нусинов и Фейсюн Ченг.
Медицина клеточных отчетов (2022)
Открытие лекарств на основе структуры с помощью глубокого обучения [2022]
Озчелик, Риза, Дерек ван Тилборг, Хосе Хименес-Луна и Франческа Гризони.
ХимБиоХим (2022)
Генеративные модели для молекулярных открытий: последние достижения и проблемы [2022 г.]
Билодо, Камилла, Венгонг Джин, Томми Яаккола, Регина Барзилай и Клавс Ф. Йенсен.
Вычислительная молекулярная наука 12.5 (2022 г.)
Оценка глубоких генеративных моделей в пространстве химического состава [2022]
Тюрк, Ханна, Элизабетта Ландини, Кристиан Кункель, Йоханнес Т. Марграф и Карстен Рейтер.
Химия материалов 34.21 (2022)
Генеративное машинное обучение для открытия новых лекарств: систематический обзор [2022]
Мартинелли, Доминик.
Компьютеры в биологии и медицине 145 (2022)
Генеративные подходы на основе докинга в поиске новых кандидатов на лекарства [2022]
Данель, Томаш, Ян Ленски, Сабина Подлевска и Игорь Т. Подолак.
Открытие наркотиков сегодня (2022)
Достижения и проблемы в разработке лекарств De Novo с использованием трехмерных глубоких генеративных моделей [2022]
Се, Вэйсинь, Фаньхао Ван, Ибо Ли, Лухуа Лай и Цзяньфэн Пей.
Дж. Хим. Инф. Модель. 2022, 62, 10, 2269–2279 гг.
Глубокое обучение как катализатор обратного молекулярного дизайна [2022]
Альшехри, Абдула С. и Фэнци Ю.
Журнал химической инженерии 444 (2022 г.)
ИИ в комплексном 3D-проектировании [2022]
Хэдфилд, Томас Э. и Шарлотта М. Дин.
Текущее мнение по структурной биологии 73 (2022)
Подходы глубокого обучения для разработки лекарств de novo: обзор [2021]
Ван, Минъян, Чжэ Ван, Хуэйонг Сунь, Цзике Ван, Чао Шен, Гаоци Вэн, Синь Чай, Хунлинь Ли, Дуншэн Цао и Тинцзюнь Хоу.
Текущее мнение по структурной биологии 72 (2022)
Генеративная химия: открытие лекарств с помощью генеративных моделей глубокого обучения [2021]
Бянь, Юэмин и Сян-Цюнь Се.
Журнал молекулярного моделирования 27 (2021 г.)
Генеративное глубокое обучение для целевого комплексного проектирования [2021]
Соуза, Тьягу, Жоау Коррейя, Витор Перейра и Мигель Роша.
Дж. Хим. Инф. Модель. 2021, 61, 11, 5343–5361
Генеративные модели для разработки лекарств De Novo [2021]
Тонг, Сяочу, Сяохун Лю, Сяоцинь Тан, Сютун Ли, Цзясинь Цзян, Чжаопин Сюн, Тинъян Сюй, Хуалян Цзян, Нань Цяо и Мингюэ Чжэн.
Журнал медицинской химии 64.19 (2021)
Молекулярный дизайн при открытии лекарств: всесторонний обзор глубоких генеративных моделей [2021]
Ченг, Ю, Юншунь Гун, Юаньшэн Лю, Бошэн Сун и Цюань Цзоу.
Брифинги по биоинформатике 22.6 (2021)
Молекулярный дизайн de novo и генеративные модели [2021]
Мейерс, Джошуа, Бенедек Фабиан и Натан Браун.
Открытие наркотиков сегодня 26 ноября (2021 г.)
Глубокое обучение для молекулярного дизайна — обзор современного состояния [2019]
Элтон, Дэниел К., Зойс Букувалас, Марк Д. Фуге и Питер В. Чанг.
Проектирование и проектирование молекулярных систем 4.4 (2019)
Обратный молекулярный дизайн с использованием машинного обучения: генеративные модели для инженерии материи [2018]
Санчес-Ленгелинг, Бенджамин и Алан Аспуру-Гузик.
Наука 361.6400 (2018)
Лекарственный Банк
ЦИНК 15
ЦИНК 20
ПабХим
ХЭМБЛ
Базы данных ГБД
ХимическийПаук
Набор данных управления качеством
КОКОС | Коллекция открытой базы данных натуральных продуктов
МолДата
Молекулярный эталон для болезней и целевого машинного обучения
https://github.com/LumosBio/MolData
Сравнительное исследование глубоких генеративных моделей для проектирования инверсных полимеров [2024]
Юэ Т., Тао Л., Варшни В., Ли Ю.
chemrxiv-2024-gzq4r (2024)
RediscMol: Сравнительный анализ моделей молекулярного поколения по биологическим свойствам [2024]
Вэн, Гаоци, Хуэйфэн Чжао, Доу Не, Хаотянь Чжан, Ливэй Лю, Тинцзюнь Хоу и Юй Кан.
Дж. Мед. хим. 2024 | код
Генеративные модели должны, по крайней мере, быть в состоянии проектировать молекулы, которые хорошо стыкуются: новый эталон [2023]
Цеплински, Тобиас, Томаш Данель, Сабина Подлевска и Станислав Ястржбский.
Дж. Хим. Инф. Модель. 2023, 63, 11, 3238–3247 | код
Тартарус: эталонная платформа для реалистичного и практичного обратного молекулярного дизайна [2022]
Нигам, Акшат Кумар, Роберт Поллис, Гэри Том, Кьелл Йорнер, Лука А.
arXiv:2209.12487v1 | код
Молекулярные наборы (MOSES): платформа для сравнительного анализа моделей молекулярного поколения [2020]
Поликовский, Даниил, Александр Жебрак, Бенджамин Санчес-Ленгелинг, Сергей Голованов, Октай Татанов, Станислав Беляев, Рауф Курбанов и др.
Границы фармакологии 11 (2020) | код
GuacaMol: Сравнительные модели для молекулярного дизайна de Novo [2019]
Браун, Натан, Марко Фискато, Марвин Х. С. Сеглер и Ален К. Вошер.
Дж. Хим. Инф. Модель. 2019, 59, 3, 1096–1108 | код
Сходство с лекарством можно определить как сложный баланс различных молекулярных свойств и особенностей структуры, которые определяют, похожа ли конкретная молекула на известные лекарства. Эти свойства, в основном гидрофобность, электронное распределение, характеристики водородных связей, размер и гибкость молекул и, конечно же, наличие различных фармакофорных свойств, влияют на поведение молекулы в живом организме, включая биодоступность, транспортные свойства, сродство к белкам, реакционную способность, токсичность, метаболические свойства. стабильность и многие другие.
https://github.com/AspirinCode/DrugAI_Drug-Likeness
количественная оценка сходства лекарственного средства
количественная оценка белок-белкового взаимодействия, направленного на сходство лекарственного средства
Индекс количественной оценки для раннего скрининга соединений, нацеленных на белок-белковые взаимодействия [2021]
Косуги, Такацугу и Масахито Оуэ.
Международный журнал молекулярных наук 22.20 (2021) | код
Количественная оценка межбелкового взаимодействия с целью определения сходства лекарств [2021]
Косуги, Такацуги и Масахито Оуэ.
ЦИБКБ. IEEE, (2021) | код
Оценка показателя синтетической доступности лекарствоподобных молекул на основе молекулярной сложности и вклада фрагментов
Журнал «Чеминформ» 1, 8 (2009) | код
Показатель ретросинтетической доступности (RAscore) – быстрая классификация возможности синтеза с машинным обучением на основе ретросинтетического планирования, управляемого ИИ.
Химические науки 12.9 (2021) | код
Гамильтоновое разнообразие: эффективное измерение молекулярного разнообразия с помощью кратчайших гамильтоновых цепей [2024]
Ху X., Лю Г., Яо Ц. и др.
Ж Кеминформ 16, 94 (2024) | код
Пространственная оценка — комплексный топологический индикатор сложности малых молекул [2023]
Кржижановский, Адриан, Аксель Паль, Михаэль Григалунас и Герберт Вальдманн.
Дж. Мед. хим. (2023) | chemrxiv-2023-nd1ll | код
Автоматизированная функция оценки для облегчения и стандартизации оценки целенаправленных генеративных моделей для молекулярного дизайна de novo [2023]
Томас, Морган, Ноэль М. О'Бойл, Андреас Бендер и Крис Де Грааф.
chemrxiv-2023-c4867 | код
FCD: расстояние Fréchet ChemNet
Расстояние Fréchet ChemNet: метрика для генеративных моделей молекул при открытии лекарств Пройер, Кристина, Филипп Ренц, Томас Унтертинер, Зепп Хохрейтер и Гюнтер Кламбауэр.
Дж. Хим. Инф. Модель. 2018, 58, 9, 1736–1741 | код
Ранжирование молекул на основе недоумения и оценка смещения моделей химического языка [2022]
Море М., Гризони Ф., Кацбергер П. и Шнайдер Г.
Дж. Хим. Инф. Модель. 2022, 62, 5, 1199–1206 | код
Расширенная выборка с помощью глубокого обучения для изучения конформационных изменений молекул [2023]
Хаохао Фу, Хань Лю, Цзинья Син, Тонг Чжао, Сюэгуан Шао и Вэньшэн Цай.
Дж. Физ. хим. Б (2023)
Сквозная платформа для генерации молекулярных конформаций посредством двухуровневого программирования [2021]
Сюй, Минкай, Уцзе Ван, Шитонг Луо, Чэнс Ши, Йошуа Бенджио, Рафаэль Гомес-Бомбарелли и Цзянь Тан.
Международная конференция по машинному обучению. ПМЛР (2021) | код
AGDIFF: диффузия с усилением внимания для прогнозирования молекулярной геометрии [204]
Ким С., Ву Дж. и Ким Вайоминг
ChemRxiv. (2024) | код
Генеративный искусственный интеллект на основе диффузии для исследования переходных состояний на основе двумерных молекулярных графов [204]
Ким С., Ву Дж. и Ким Вайоминг
Nat Commun 15, 341 (2024) | код
Генеративная модель с учетом физики для конформеров молекул, подобных лекарствам [204]
Дэвид С. Уильямс, Нил Имана.
arXiv: 2403.07925. (2024) | код
DynamicsDiffusion: генерация и выборка редких событий молекулярных динамических траекторий с использованием моделей диффузии [2023]
Петерсен, Магнус, Джемма Ройг и Роберто Ковино.
НейрИПС 2023 AI4Science (2023)
Генерация молекулярных конформных полей [2023]
Юян Ван, Ахмед Эльхаг, Навдип Джайтли, Джошуа Сасскинд, Мигель Баутиста.
[Семинар NeurIPS 2023 по генеративному искусственному интеллекту и биологии (GenBio) (2023 г.)]https://openreview.net/forum?id=Od1KtMeAYo)
Об ускорении генерации молекулярных конформаций на основе диффузии в SE(3)-инвариантном пространстве [2023]
Чжоу З., Лю Р. и Ю Т.
arXiv:2310.04915 (2023))
Генерация молекулярной конформации посредством сдвига оценок [2023]
Чжоу, Цзихань, Жуин Лю, Чаолун Ин, Жуймао Чжан и Тяньшу Юй.
arXiv:2309.09985 (2023)
EC-Conf: модель сверхбыстрой диффузии для генерации молекулярных конформаций с эквивариантной согласованностью [2023]
Фань, Чжигуан, Юэдун Ян, Минъюань Сюй и Хунмин Чен.
arXiv:2308.00237 (2023)
Крутильная диффузия для генерации молекулярных конформеров [2022]
Цзин, Боуэн, Габриэле Корсо, Джеффри Чанг, Регина Барзилай и Томми Яаккола.
НейрИПС. (2022) | код
GeoDiff: геометрическая модель диффузии для генерации молекулярных конформаций [2022]
Сюй, Минкай, Лантао Ю, Ян Сун, Чэнс Ши, Стефано Эрмон и Цзянь Тан.
Международная конференция по обучению представлений. (2022) | код
Ускоренное открытие карбаматных ингибиторов Cbl-b с использованием генеративных моделей искусственного интеллекта и структурно-ориентированного дизайна лекарств [2024]
Куинн, Т.Р., Гиблин, К.А., Томсон, К., Боэрт, Дж.А., Боммаканти, Г., Брейбрук, Э., Чан, К., Чинн, А.Дж., Код, Э., Куи, К. и Фан, Ю.
Дж. Мед. хим. (2024) | код
Переосмысление 4: современный дизайн генеративных молекул на основе искусственного интеллекта [2024 г.]
Ханнес Х. Леффлер, Джиажен Хе, Алессандро Тибо, Джон Пол Джанет, Алексей Воронов, Льюис Х. Мервин и Ола Энгквист
Журнал хеминформатики, 16(20) (2024) | код
Chemistry42: платформа для молекулярного проектирования и оптимизации на основе искусственного интеллекта [2023]
Иваненков, Ян А., Даниил Поликовский, Дмитрий Безруков, Богдан Загрибельный, Владимир Аладинский, Петрина Камья, Алекс Алипер, Фэн Рен и Алекс Жаворонков.
Журнал химической информации и моделирования 63.3 (2023) | сеть
Транскрипционно-условно-рекуррентная нейронная сеть для разработки лекарств De Novo [2024]
Мацукиё Ю., Тенгейджи А., Ли К. и Яманиси Ю.
Дж. Хим. Инф. Модель. (2024) | код
Перспективный дизайн лекарств de novo с глубоким интерактомным обучением [2024]
Атц К., Котос Л., Исерт К. и др.
Nat Commun 15, 3408 (2024) | код
CNSMolGen: генеративная модель на основе двунаправленных рекуррентных нейронных сетей для разработки лекарств для центральной нервной системы de novo [2024]
Гоу, Жунпей, Цзинъи Ян, Мэнхань Го, Инцзюнь Чен и Вэйвэй Сюэ.
chemrxiv-2024-x4wbl (2024) | код
NovoMol: Рекуррентная нейронная сеть для разработки и проверки биодоступности пероральных препаратов на рецепторе PDGFRα [2023]
Рао, Ишир.
arXiv:2312.01527 (2023) | код
Создание целевой библиотеки молекул лекарств с использованием рекуррентной нейронной сети [2023]
Цзоу, Цзиньпин, Лун Чжао и Шаопин Ши.
Журнал молекулярного моделирования 29.12 (2023) | код
ChemTSv2: Функциональный молекулярный дизайн с использованием генератора молекул de novo [2023]
Исида, Шоичи, Танудж Асават, Масато Сумита, Мичио Катуда, Тацуя Ёсидзава, Кадзуки Ёсидзоэ, Кодзи Цуда и Кей Тераяма.
Междисциплинарные обзоры Wiley: вычислительная молекулярная наука (2023) | код
Использование обучения с подкреплением для разработки новых лекарств [2023]
Свенссон, Хампус Гуммессон, Кристиан Тирчан, Ола Энгквист и Мортеза Хагир Черегани.
arXiv:2303.17615 (2023) | код
Разработка лекарств de novo на основе Stack-RNN с многокритериальной суммой, взвешенной по вознаграждению, и обучением с подкреплением [2023]
Ху П., Цзоу Дж., Ю Дж. и др.
Джей Мол Модель 29, 121 (2023) | код
О сложности реалистичной проверки молекулярных генеративных моделей: тематическое исследование на основе общедоступных и частных данных [2023]
Ханда, Коичи, Морган Томас, Мичихару Кагеяма, Такеши Иидзима и Андреас Бендер.
chemrxiv-2023-lbvgn | код
Magicmol: легкий трубопровод для эволюции молекул, подобных лекарствам, и быстрого химического исследования космоса [2023]
Чен, Линь, Цин Шен и Джунган Лу.
БМК Биоинформатика (2023) | код
Augmented Hill-Climb повышает эффективность обучения с подкреплением для генерации молекул de novo на основе языка [2022]
Томас М., О'Бойл Н.М., Бендер А. и др.
Джей Хеминформ (2022) | код
Дизайн молекул de novo с использованием моделей химического языка [2022]
Гризони Ф., Шнайдер Г.
Искусственный интеллект в разработке лекарств. Методы молекулярной биологии, том 2390.(2022) | код
Коррелированная структура RNN для быстрого создания молекул с желаемыми свойствами для энергетических материалов в режиме малых данных [2022]
Ли, Чуань, Чэнхуэй Ван, Мин Сунь, Ян Цзэн, Юань Юань, Цяолинь Гоу, Гуанчуань Ван, Яньчжи Го и Сюэмэй Пу.
Дж. Хим. Инф. Модель. (2022) | код
Оптимизация архитектуры рекуррентных нейронных сетей для разработки лекарств De Novo [2021]
Сантос, Б.П., Аббаси, М., Перейра, Т., Рибейро, Б., и Арраис, Дж.П.
Бумага | код
Рекуррентная нейронная сеть (RNN), генерирующая молекулы, подобные лекарствам, для открытия новых лекарств [2021]
код
Генеративная модель молекулы использовала отпечаток взаимодействия (позу стыковки) в качестве ограничений [2021]
код
Двунаправленная генерация молекул с помощью рекуррентных нейронных сетей [2020]
Гризони Ф., Море М., Лингвуд Р. и Шнайдер Г.
Дж. Хим. Инф. Модель. (2020) | код
Прямое управление молекулярной генерацией de novo с помощью дескрипторных условно-рекуррентных нейронных сетей [2019]
Коциас, ПК., Арус-Поус, Дж., Чен, Х. и др.
Нат Мах Интелл 2, 254–265 (2020) | код
ChemTS: эффективная библиотека Python для молекулярной генерации de novo [2017]
Ян X., Чжан Дж., Ёсидзоэ К., Тераяма К. и Цуда К.
Наука и технология перспективных материалов (2017) | код
ClickGen: направленное исследование синтезируемого химического пространства с помощью модульных реакций и обучения с подкреплением [2024]
Ван М., Ли С., Ван Дж. и др.
Нат Коммун 15, 10127 (2024) | код
DigFrag как метод цифровой фрагментации, используемый для разработки лекарств на основе искусственного интеллекта [2024]
Ян Р., Чжоу Х., Ван Ф. и др.
Коммун Хим 7, 258 (2024) | код
Перспективный дизайн лекарств de novo с глубоким интерактомным обучением [2024]
Атц К., Котос Л., Исерт К. и др.
Nat Commun 15, 3408 (2024) | код
Вычислительное обнаружение лекарств от вируса ВИЧ с помощью индивидуальной архитектуры глубокого обучения вариационного автокодировщика LSTM [2023]
Куцал, Мукахит, Ферхат Учар и Нида Кати.
CPT: Фармакометрика и системная фармакология. (2023) | код
Структурированные модели последовательностей в пространстве состояний для разработки лекарств De Novo [2023]
Озчелик Р., де Рюйтер С., Гризони Ф.
chemrxiv-2023-jwmf3. (2023) | код
Интеграция синтетической доступности с разработкой генеративных лекарств на основе искусственного интеллекта [2023]
Пэррот М., Таймуати Х., да Силва, ВБР и др.
Ж Кеминформ 15, 83 (2023) | код
Глубокое интерактивное обучение для разработки лекарств de novo [2023]
Атц К., Котос Муньос Л., Исерт С., Хоканссон М., Фохт Д., Ниппа Д.Ф. и др.
chemrxiv-2023-cbq9k (2023)
Разработка лекарств de novo, основанная на глубоком обучении, на основе структур желудочного протонного насоса [2023]
Абэ К., Озако М., Инукай М. и др.
Коммун Биол 6, 956 (2023) | код
Искусственный интеллект для прогнозирования биологической активности и генерации молекулярных совпадений с использованием стереохимической информации [2023]
Перейра, Тьяго О., Марьям Аббаси, Рита И. Оливейра, Ромина А. Гуэдес, Хорхе А.Р. Сальвадор и Джоэл П. Аррайс.
Исследовательская площадь. (2023) | код
ЛОГИКА: Изучение оптимального генеративного распределения для проектирования химических структур de novo [2023]
Бэ Б., Бэ Х. и Нам Х.
Ж Кеминформ 15, 77 (2023) | код
Использование молекулярной структуры и биологической активности с помощью моделей химического языка для разработки лекарств de novo [2023]
Коциас, ПК., Арус-Поус, Дж., Чен, Х. и др.
Нат Коммун 14, 114 (2023) | код
CharLSTM на основе SMILES с точной настройкой и целенаправленной генерацией с помощью градиента политики [2022]
код
DeLA-Drug: алгоритм глубокого обучения для автоматического создания аналогов лекарственного средства [2022]
Креанса Т.М., Ламанна Г., Дельре П., Контино М., Коррьеро Н., Савиано М., ... и Анкона Н.
Дж. Хим. Инф. Модель. (2022) | Интернет
Разработка de novo и прогнозирование биологической активности основных ингибиторов протеазы SARS-CoV-2 с использованием рекуррентного трансферного обучения на основе нейронных сетей [2021]
Сантана, МВС, Сильва-младший, ФП
БМК Химия 15, 8 (2021) | код
Генеративные рекуррентные сети для разработки лекарств De Novo [2018]
Гупта А., Мюллер А.Т., Хьюсман Б.Дж., Фукс Дж.А., Шнайдер П. и Шнайдер Г.
Мол Информ. 2018 | код
Генеративные рекуррентные нейронные сети для разработки лекарств De Novo [2017]
Гупта, Анвита и др.
Мол Информ. 2018 | код
Сатурн: генеративный молекулярный дизайн с эффективным использованием выборки с использованием манипуляций с памятью [2024]
Джефф Го, Филипп Шваллер.
arXiv:2405.17066 (2024) | код
Обеспечение генерации молекул с учетом мишени для достижения нескольких целей с помощью Pareto MCTS [2024]
Ян Ю., Чен Г., Ли Дж. и др.
Коммуна Биол 7, 1074 (2024) | код
PocketFlow — это молекулярно-генеративная модель, основанная на данных и знаниях [2024].
Шэнъюн Ян, Юаньюань Цзян, Го Чжан и др.
Нат Мах Интелл (2024) | Исследовательская площадь. ПРЕПРИНТ. (2023) | код
Разработка молекул De Novo в направлении смещенных свойств с помощью глубокой генеративной структуры и итеративного трансферного обучения [2024]
Саттари, Киануш, Давэй Ли, Бхупали Калита, Юнчао Се, Фатеме Бармалеки Лигван, Александр Исаев и Цзянь Линь.
Цифровое открытие (2024) | код
Симфония: симметрически-эквивариантные точечно-центрированные сферические гармоники для генерации трехмерных молекул [2024]
Амея Дайгаване, Сон Ын Ким, Марио Гейгер и Тесс Смидт.
ICLR (2024) | код
Авторегрессионная диффузия на основе фрагментов для дизайна лигандов с учетом карманов [2023]
Горбани, Махди, Лео Генделев, Пол Бероза и Майкл Кайзер.
Семинар NeurIPS 2023 по генеративному искусственному интеллекту и биологии (GenBio). (2023) | код
Изучение топологической поверхности и геометрической структуры для генерации трехмерных молекул [2023]
Чжан, Один, Тяньюэ Ван, Гаоци Венг, Дэджун Цзян, Нин Ван, Сяоруй Ван, Хуйфэн Чжао и др.
Национальная компьютерная наука (2023) | код
ResGen — это карманная трехмерная модель молекулярной генерации, основанная на параллельном многомасштабном моделировании [2023].
Чжан О., Чжан Дж., Цзинь Дж. и др.
Нат Мах Интелл (2023) | код
FFLOM: потоковая авторегрессионная модель для оптимизации от фрагмента к выводу [2023]
Цзеюй Цзинь, Донг Ван, Гуцинь Ши, Цзинсяо Бао, Цзике Ван, Хаотянь Чжан, Пэйчэнь Пан, Дэн Ли, Сяоцзюнь Яо, Хуаньсян Лю, Тинцзюнь Хоу и Юй Кан
Дж. Мед. хим. (2023) | код
Независимая от предметной области молекулярная генерация с самообратной связью [2023]
Инь Фан, Ниню Чжан, Чжо Чен, Сяохуэй Фань, Хуацзюнь Чен
arXiv:2301.11259v3 | код
GraphAF: модель авторегрессии на основе потока для создания молекулярных графов [2020]
Ши К., Сюй М., Чжу З., Чжан В., Чжан М. и Тан Дж.
ICLR (2020) |arXiv:2001.09382 | код
Генеративное лекарственное молекулярное редактирование на основе диффузии с помощью химического естественного языка [2024]
Цзяньминь Ван, Пэн Чжоу, Цзысюй Ван, Вэй Лун, Янъян Чен, Кён Тай Но, Дуншэн Оуян*, Цзяшунь Мао* и Сянсян Цзэн*.
Дж. Фарм. Анальный. (2024) | код
Использование Tree-Transformer VAE с токенизацией фрагментов для высокопроизводительной большой химической генеративной модели [2024]
Инукай Т., Ямато А., Акияма М., Сакакибара Ю.
ChemRxiv. (2024) | код
Подход глубокого обучения для рациональной генерации лигандов с контролем токсичности с помощью реактивных строительных блоков [2024]
Ли П., Чжан К., Лю Т. и др.
Национальная компьютерная наука (2024) | код
Базовая модель химического проектирования и прогнозирования свойств [2024]
Цай Ф., Чжу Т., Цзэн Т.Р., Дуань Ю., Лю Л., Пилла С., Ли Г. и Луо Ф.
arXiv:2410.21422 (2024) | код
SE (3) Эквивариантные топологии для открытия лекарств на основе структуры [2024]
Прат А., Абдель Ати Х., Пабринкис А., Бастас О., Пакет Т., Камунтавичюс Г. и др.
ChemRxiv. (2024)
Графовые диффузионные трансформаторы для многоусловной молекулярной генерации [2024]
Лю, Ган, Цзясинь Сюй, Те Ло и Мэн Цзян.
НейрИПС 2024 (Устный). (2024) | код
Исчерпывающее локальное химическое исследование космоса с использованием модели трансформатора [2024]
Тибо А., Хе Дж., Джанет Дж. П. и др.
Nat Commun 15, 7315 (2024) | код
Вариационный автоэнкодер трансформаторного графа для генеративного молекулярного дизайна [2024]
Нгуен, Триу и Александра Каролак.
биоRxiv (2024)
BindGPT: масштабируемая платформа для трехмерного молекулярного дизайна посредством языкового моделирования и обучения с подкреплением [2024]
Жолус, Артем, Максим Кузнецов, Роман Щуцкий, Рим Шаяхметов, Даниил Поликовский, Сарат Чандар и Алексей Жаворонков.
arXiv:2406.03686 (2024)
Исследование новых аналогов фентанила с использованием графовой модели трансформатора [2024]
Чжан, Гуангл, Юань Чжан, Лин Ли, Цзяин Чжоу, Хунлинь Чен, Цзиньвэнь Цзи, Янру Ли, Юэ Цао, Чжихуэй Сюй и Цун Пянь.
Междисциплинарные науки: вычислительные науки о жизни (2024 г.) | код
TenGAN: Чистые трансформаторные энкодеры создают эффективный дискретный GAN для молекулярной генерации De Novo [2024]
Ли, Чен и Ёсихиро Яманиси.
Международная конференция по искусственному интеллекту и статистике. ПМЛР (2024)
DockingGA: улучшение целевой генерации молекул с использованием трансформаторной нейронной сети и генетического алгоритма с моделированием стыковки [2024]
Чаннань Гао, Вэньцзе Бао, Шуан Ван, Цзяньян Чжэн, Лулу Ван, Юнци Жэнь, Линьфан Цзяо, Цзяньминь Ван, Сюнь Ван.
Брифинги по функциональной геномике (2024 г.) | код
Должно быть БЕЗОПАСНО: новая основа молекулярного дизайна [2024]
Нутаи, Эммануэль, Кристиан Габеллини, Майкл Крейг, Джонатан С.К. Лим и Пруденсио Тоссу.
Цифровое открытие (2024) | arXiv:2310.10773 (2023) | код
Повышение эффективности молекулярного дизайна: объединение языковых моделей и генеративных сетей с генетическими алгоритмами [2024]
Бхоумик, Дебсинду, Пей Чжан, Закари Фокс, Стефан Ирле и Джон Гонли.
Узоры (2024) | код
ChemSpaceAL: эффективная методология активного обучения, применяемая для генерации молекул, специфичных для белков [2024]
Киро, Грегори В., Антон Моргунов, Рафаэль И. Брент и Виктор С. Батиста.
Дж. Хим. Инф. Модель. (2024) | код
Оценка обучения с подкреплением в молекулярном дизайне на основе трансформатора [2024]
Он Дж., Тибо А., Джанет Дж.П., Ниттингер Э., Тирчан С., Чехтицкий В. и др.
chemrxiv-2024-r9ljm (2024) | код
Двухпространственная оптимизация: улучшенный дизайн последовательности молекул с помощью скрытого мгновенного трансформатора [2024]
Дэцянь Конг, Юхао Хуан, Цзяньвэнь Се, Эдуардо Хониг, Мин Сюй, Шуанхун Сюэ, Пей Линь, Санпин Чжоу, Шэн Чжун, Наньнин Чжэн и Ин Нянь Ву.
arXiv:2402.17179 (2024)
Новая молекулярно-генеративная модель VAE в сочетании с Transformer [2024]
Ясухиро Ёсикай, Тадахая Мизуно, Шумпей Немото и Хироюки Кусухара.
arXiv:2402.11950 (2024) | код
GexMolGen: кросс-модальная генерация хит-подобных молекул с помощью модели большого языка, кодирующей сигнатуры экспрессии генов [2024]
Ченг, Цзя-Бэй, Сяоюн Пань, Кайюань Ян, Шэнхао Цао, Бинь Лю, Цингрань Ян и Е Юань.
биоRxiv (2024) | код
Генератор на основе разнообразия локального каркаса для обнаружения потенциальных ингибиторов NLRP3 [2024]
Вэйчэнь Бо, Янцинь Дуань, Юронг Цзоу, Цзыян Ма, Тао Ян, Пэн Ван, Тао Го, Чжиюань Фу, Цзяньминь Ван, Линьчуань Фань, Цзе Лю, Тайцзинь Ван и Лицзюань Чен.
Дж. Хим. Инф. Модель. (2024) | код
Генерация молекул с учетом мишени для разработки лекарств с использованием модели химического языка [2024]
Ся, Инце, Кехан Ву, Пан Дэн, Жэньхэ Лю, Юань Чжан, Хань Го, Юмэн Цуй и др.
биоRxiv (2024)
Ускорение открытия новых и биологически активных лигандов с фармакофорскими генеративными моделями [2024]
Се, Вейсин, Цзяньхан Чжан, Цинь Се, Чаоджун Гонг, Юйюн Сюй, Лухуа Лай и Цзянфенг Пей.
Arxiv: 2401.01059 (2024) | код
Самопроизводимая структура обнаружения полимеров, основанная на условной генеративной модели [2023]
Сянген Лей и Вайке Йе и Чжэнзе Ян и Даниэль Швейгерт и Ха-кюнг Квон и Араш Хаджех.
Arxiv: 2312.04013. (2023)
LLAMOL: динамичный многокондициозный генеративный трансформатор для молекулярного дизайна de novo [2023]
Добберштейн, Никлас, Астрид Маасс и Ян Хамакерс.
Arxiv: 2311.14407. (2023) | код
GraphGPT: график, улучшенный генеративным трансформатором для кондиционированной молекулярной генерации [2023]
Лу, Хао, Чжицан Вэй, Сюз Ван, Кун Чжан и Хао Лю.
Международный журнал молекулярных наук 24.23 (2023) | код
Protacable-это интегративный вычислительный трубопровод 3-D моделирования и глубокого обучения для автоматизации дизайна DE novo ProTAC [2023]
Hazem Mslati, Francesco Gentile, Mohit Pandey, Fuqiang Ban, Artem Cherkasov.
Biorxiv 2023.11.20.567951. (2023) | код
Стратегия и оптимизация молекулярной генерации, основанная на обучении A2C подкрепления в дизайне лекарств de novo [2023]
Ван, Цянь, Чжицян Вэй, Сятонг Ху, Чжуоя Ван, Юджи Донг и Хао Лю.
Биоинформатика: BTAD693. (2023) | код
Кросс-модальная генерация хит-подобных молекул через модель фундамента, кодирующая сигнатуры экспрессии генов [2023]
Jiabei Cheng, Xiaoyong Pan, Kaiyuan Yang, Shenghao Cao, Bin Liu, Ye Yuan.
Biorxiv 2023.11.11.566725. (2023) | код
REVVENT4: Современная конструкция генеративной молекулы, вызванные ИИ [2023]
Loeffler H, He J, Tibo A, Janet JP, Voronov A, Mervin L, et al.
CHEMRXIV-2023-XT65X (2023) | код
Оптимизация сродства связывания в химическом пространстве с преобразованием и глубоким обучением подкрепления [2023]
Xu, Xiaopeng, Juexiao Zhou, Chen Zhu, Qing Zhan, Zhongxiao Li, Ruochi Zhang, Yu Wang, Xingyu Liao и Xin Gao.
CHEMRXIV-2023-7V4SW (2023) | код
Поиск молекул с высокой стоимостью с использованием обучения и трансформеров [2023]
Радж Гугаре и Сантьяго Мирет и Адриана Хейгессен и Мариано Фиельп и Глен Берсет.
arxiv: 2310.02902 (2023)
Молекулярный дизайн de novo с помощью обучения подкреплению на основе трансформатора [2023]
Фэн, Тао, Пенгченг Сюй, Тяньфан Фу, Сиддхартха Лагхуварапу и Джиманг Сан.
arxiv: 2310.05365 (2023)
Вероятностные модели языка генеративного трансформатора для генеративного дизайна молекул [2023]
Wei, L., Fu, N., Song, Y. et al.
J Cheminform 15, 88 (2023) | код
De novo Design Druct Design с совместными трансформаторами [2023]
Адам Издебски и Эвелина Вуггларц-Томчак и Эва Шусурек и Джакуб М. Томчак
Arxiv: 2310.02066. (2023)
Структурированные модели последовательности состояний для дизайна лекарств de novo [2023]
Озчелик Р., де Руйтер С., Грисони Ф.
CHEMRXIV-2023-JWMF3. (2023) | код
Генерация химических структур химических структур ингибиторов и активатора для терапевтических целевых белков с помощью вариационного автоэкодерка и байесовской оптимизации на основе трансформатора [2023]
Юки Мацукийо, Чикашиге Яманака и Йошихиро Яманиши.
J. Chem. Инф. Модель. (2023) | код
Обратный трансформатор Gan генерирует молекулы с ограниченными каркасами с оптимизацией свойства. [2023]
Ли, С., Яманиши Ю.
ECML PKDD (2023) | код
CHEMSPACEAL: эффективная методология активного обучения, применяемая к белковой молекулярной генерации [2023]
Киро, Грегори В., Антон Моргунов, Рафаэль И. Брент и Виктор С. Батиста.
Arxiv: 2309.05853 (2023) | код
Эффективная трехмерная молекулярная конструкция с инвариантным трансформатором E (3) [2023]
Доллар, Орион, Нисарг Джоши, Джим Пфаендтнер и Дэвид А.К. Бек.
Журнал физической химии A (2023) | код
LINGO3DMOL: генерация трехмерной молекулы на основе кармана с использованием языковой модели [2023]
Ван, Л.Ввей, Зайён Лин, Янхао Чжу, Ронг Бай, Вэй Фэн, Хининт Ван, Джилонг Чжоу, Вэй Пенг, Бо Хуан и Венбиао Чжоу.
arxiv: 2305.10133 (2023) | код
FSM-DDTR: Стратегия сквозной обратной связи для многоцелевого дизайна лекарств DE novo с использованием трансформаторов [2023]
Монтейро, Нельсон Р.К., Тиаго О. Перейра, Ана Катарина Д. Мачадо, Хосе Л. Оливейра, Марьям Аббаси и Джоэл П. Аррайс.
Компьютеры в области биологии и медицины (2023) | код
Макроциклирование линейных молекул путем глубокого обучения для облегчения открытия кандидатов на макроциклические лекарства [2023]
Diao, Y., Liu, D., GE, H. et al.
Nat Commun 14, 4552 (2023) | код
DE Novo Design Design на основе профилей экспрессии генов пациента посредством глубокого обучения [2023]
Yamanaka, Chikashige, Shunya Uki, Kazuma Kaitoh, Michio Iwata и Yoshihiro Yamanishi.
Молекулярная информатика (2023) | код
Метод глубокого обучения на основе трансформаторов для оптимизации свойств Admet соединений свинца [2023]
Ян, Лиджуань, Чао Цзинь, Гуанхуй Ян, Чжитонг Бинг, Лян Хуанг, Южэн Ниу и Лей Ян.
Физическая химическая физика 25,3 (2023)
Дизайн лекарств на основе последовательностей как концепция в вычислительном дизайне лекарств [2023]
Chen, L., Fan, Z., Chang, J. et al.
Nat Commun 14, 4217 (2023) | код
Druggpt: стратегия на основе GPT для разработки потенциальных лигандов, нацеленных на конкретные белки [2023]
Ююсен Ли, Ченги Гао, Синь Сонг, Сяньгу Ван, Посмотреть Orcid Profileyungang Xu, Suxia Han
Biorxiv (2023) | код
Prefixmol: конструкция молекулы с целевым и химией посредством встраивания префикса [2023]
Гао, Чжаньян, Юки Ху, Ченг Тан и Стэн З. Ли.
arxiv: 2302.07120 (2023) | код
Адаптивное языковое обучение модели для молекулярных дизайнов [2023]
Эндрю Э. Бланшард, Дебсиндху Бёумик, Захари Фокс, Джон Гоунли, Дженс Глазер, Белинда С. Акпа и Стефан Ирле.
J Cheminform 15, 59 (2023) | код
CMGN: условная молекулярная сеть для проектирования специфичных для целевых молекул с желаемыми свойствами [2023]
Ян, Минджян, Ханью Сан, Сюэ Лю, Си Сюэ, Яфенг Денг и Сяоцзян Ван.
Брифинги в биоинформатике, 2023;, BBAD185 | код
CMOLGPT: условный генеративный предварительно обученный трансформатор для специфической для мишени молекулярной генерации DE novo [2023]
Ван, Йе, Хонганг Чжао, Симона Скиабола и Венлу Ван.
Молекулы 2023, 28 (11), 4430 | код
Генерация молекул с использованием преобразования трансформаторов и обучения градиента политики [2023]
Mazuz, E., Shtar, G., Shapira, B. et al.
Sci Rep 13, 8799 (2023) | код
IUPACGPT: крупномасштабная молекулярная предварительно обученная модель на основе IUPAC для прогнозирования свойств и генерации молекул [2023]
Jiashun Mao, Jianmin Wang, Kwang-Hwi Cho, Kyoung Tai No
CHEMRXIV-2023-5KJVH | код
Молекулярная генерация с уменьшенной маркировкой через архитектуру ограничений [2023]
Ван, Джайк, Юндиан Зенг, Хуийонг Сан, Джунмей Ван, Сяоруи Ван, Руофан Джин, Миньян Ван и соавт.
J. Chem. Инф. Модель. (2023) | код
Генеративное открытие новых химических конструкций с использованием диффузионного моделирования и глубоких нейронных сетей трансформатора с применением к глубоким эвтектическим растворителям [2023]
Луу, Рэйчел К., Марцин Високовски и Маркус Дж. Бюлер.
arxiv: 2304.12400v1 | код
Регрессионный трансформатор позволяет одновременно регрессии и генерации последовательности для моделирования молекулярного языка [2023]
Родился, Дж., Маника, М.
Nat Mach Intell 5, 432–444 (2023) | код
Молекулярная генеративная модель на основе трансформатора для конструкции противовирусных препаратов [2023]
Мао, Цзяшун; Ван, Цзянминг; Зеб, Амир; Чо, Кван-Хви; Джин, Хайян; Ким, Юнгван; Ли, онджу; Ван, Юньюн; Нет, Кюнга Тай.
J. Chem. Инф. Модель. (2023) | код
Целевой специфический дизайн de novo молекул кандидатов на лекарства с графическими трансформаторами, основанными на генеративных состязательных сетях [2023]
Ünlü, atabey, elif çevrim, ahmet sarıgün, hayriye çelikbilek, heval ataş güvenilir, altay koyaş, deniz cansen kahraman, ahmet rifaioğlu и abdurrhman olğaç.
ARXIV: 2302.07868V5
Drugex v3: дизайн лекарств с ограниченными каркасами с помощью обучения армированию на основе графов [2023]
Liu, X., Ye, K., Van Vlijmen, Hwt et al.
J Cheminform 15, 24 (2023) | код
Исследуйте пространство, подобное лекарствам, с глубокими генеративными моделями [2023]
Wang, Jianmin, et al.
Методы (2023) | код
Крупномасштабные представления химического языка захватывают молекулярную структуру и свойства [2022]
Ross, J., Belgodere, B., Chenthamarakshan, V., Padhi, I., Mroueh, Y. & Das, P.
Nat Mach Intell 4, 1256–1264 (2022) | код
Alphadrug: белковая мишень, специфичная De novo Molecular Generation [2022]
Цянь, Хао, Ченг Лин, Денгвей Чжао, Шикуи Ту и Лей Сюй.
PNAS Nexus (2022) | код
Можем ли мы быстро научиться «переводить» биологически активные молекулы с моделями трансформаторов? [2022]
Багал В., Аггарвал Р., Винод, Пк и Приякумар, UD
CHEMRXIV-2022-GLN27
MOLGPT: молекулярная генерация с использованием модели трансформатора-декодера [2022]
Багал В., Аггарвал Р., Винод, Пк и Приякумар, UD
J. Chem. Инф. Модель. 2022, 62, 9, 2064–2076 | код
Пополнительные молекулы для белковых карманов: генеративный раствор на основе трансформатора для конструкции лекарственного средства на основе структурированного средства [2022]
Wu, K., Xia, Y., Fan, Y., Deng, P., Liu, H., Wu, L., ... & Liu, Ty
arxiv.2209.06158 | код
Использование предварительно проведенных биохимических языковых моделей для целевого дизайна лекарств [2022]
Улудоган, Гёкче, Элиф Озкиримли, Кутлу О. Ульген, Нилгун Карали и Арзукан Озгур.
Биоинформатика (2022) | код
Генеративная модель на основе трансформатора для молекулярного дизайна de novo [2022]
Wang, Wenlu, et al.
ARXIV: 2210.08749V2
Перевод между молекулами и естественным языком [2022]
Edwards, C., Lai, T., Ros, K., Honke, G. & Ji, H.
arxiv: 2204.11817v3 | код
Регрессионный трансформатор позволяет одновременно регрессии и генерации последовательности для моделирования молекулярного языка [2022]
Родился, Джаннис и Маника, Маттео
arxiv: 2202.01338v3 | код
Генеративное предварительное обучение из молекул [2021]
Адилов, Санджар.
J. Chem. Инф. Модель. 2022, 62, 9, 2064–2076 | код
Трансформаторы для генерации молекулярного графа [2021]
Кофала, Тим и Оливер Крамер.
Esann 2021 | код
Пространственная генерация молекул с трансформаторами [2021]
Кофала, Тим и Оливер Крамер.
Ijcnn52387.2021.9533439 (2021) | код
Генеративный химический трансформатор: Нейронное машинное обучение молекулярных геометрических структур из химического языка через Attentio [2021]
Hyunseung Kim, Jonggeol Na*, и выиграл Бо*.
J. Chem. Инф. Модель. 2021, 61, 12, 5804–5814 | код
C5T5: контролируемая генерация органических молекул с трансформатором [2021]
Rothchild, D., Tamkin, A., Yu, J., Misra, U. & Gonzalez, J.
Arxiv: 2108.10307V1 | код
Молекулярная оптимизация путем захвата интуиции химика с использованием глубоких нейронных сетей [2021]
He, J., You, H., Sandström, E. et al.
J Cheminform 13, 26 (2021) | код
Трансформаторская нейронная сеть для специфической для белка DE novo .
Гречникова, Дарья.
Sci Rep 11, 321 (2021) | код
Transmol: перепрофилирование языковой модели для молекулярной генерации [2021]
Гречникова, Дарья.
RSC Advances. 2021; 11 (42): 25921-32. | код
Основанные на внимании генеративные модели для молекулярного дизайна de novo [2021]
Dollar, O., Joshi, N., Beck, DA и Pfaendtner, J.,
Химическая наука 12.24 (2021) | код
Использование трансформатора дерева VAE с фрагментной токенизацией для высокоэффективной большой химической генеративной модели [2024]
Инукай Т., Ямато А., Акияма М., Сакакибара Ю.
Chemrxiv. (2024) | код
Вариационный автоэнкодер трансформатора для генеративного молекулярного дизайна [2024]
Нгуен, Трие и Александра Каролак.
Biorxiv (2024)
Структурная дизайн лекарственного средства с глубокой иерархической генеративной моделью [2024]
Веллер, Джесси А. и Ремо Рохс.
J. Chem. Инф. Модель. (2024) | код
Использование активных подпространств для захвата неопределенности эпистемической модели в глубоких моделях молекулярного дизайна [2024]
Абер, Анм, Санкет Джантр, Натан М. Урбан и Бюнг-Джун Юн.
arxiv: 2405.00202 (2024)
GXVAES: два сустава VAE генерируют молекулы HIT из профилей экспрессии генов [2024]
Ли, Чен и Йошихиро Яманиши.
Труды конференции АААИ по искусственному интеллекту. Том. 38. № 12. (2024) | код
3D-молекулярная генеративная структура для конструкции лекарственного средства, управляемого взаимодействием [2024]
Zhung, W., Kim, H. & Kim, WY
Nat Commun 15, 2688 (2024) | код
Генерация молекул на основе внимания посредством иерархического вариационного автоэкодора [2024]
Дивахар Сиванезан.
Arxiv: 2402.16854. (2024)
Новая молекула генеративная модель VAE в сочетании с трансформатором [2024]
Ясухиро Йошикай и Тадахайя Мизуно и Шумпей Немото и Хироюки Кусухара.
Arxiv: 2402.11950 (2024) | код
DE Novo Generation и выявление новых соединений с эффективностью лекарственного средства на основе машинного обучения [2024]
Он, Дакуо, Цин Лю, Ян М.И., Цинки Менг, Либин Сюй, Чуню Ху, Джинпенг Ван и соавт.
Advanced Science (2024)
Вычислительное обнаружение лекарств по вирусу ВИЧ с индивидуальной вариационной архитектурой глубокого обучения LSTM [2023]
Кутсал, Мукахит, Ферхат Укар и Нида Кати.
CPT: Фармакометрика и системы фармакология. (2023) | код
NRC-Vabs: нормализованный репараметрированный условный вариационный автоэкодер с поиском прикладного луча в скрытом пространстве для конструкции молекулы лекарственного средства [2023]
Бхадвал, Арун Сингх, Камал Кумар и Нирадж Кумар.
Экспертные системы с приложениями. (2023)
Целевые вариационные автоматические кодеры для генерации лигандов с многомодальным моделированием белка [2023]
НПО, Ханг и Труонг Сон Хи.
Neurips 2023 Generative AI и Biology (Genbio) семинар. (2023) | код
3D-молекулярная генеративная структура для взаимодействия для обобщаемой структурной конструкции лекарств на основе структуры [2023]
Ву Юн Ким, Вонхо Чжунг и Хеонгву Ким.
Исследовательская площадь. (2023) | код
Применение вариационных графических кодеров в качестве эффективного алгоритма универсалиста в компьютерном дизайне лекарств [2023]
Lam, Hyi, Pincket, R., Han, H. et al.
Nat Mach Intell 5, 754–764 (2023) | код
Генерация химических структур химических структур ингибиторов и активатора для терапевтических целевых белков с помощью вариационного автоэкодерка и байесовской оптимизации на основе трансформатора [2023]
Юки Мацукийо, Чикашиге Яманака и Йошихиро Яманиши.
J. Chem. Инф. Модель. (2023) | код
Rebadd-Se: многообъясняющая молекулярная оптимизация с использованием селфи фрагментов и самокритической последовательности вне политики [2023]
Чой, Jonghwan, Sangmin Seo, Seungyeon Choi, Shengmin Piao, Chihyun Park, Sung Jin Ryu, Byung Ju Kim и Sanghyun Park.
Компьютеры по биологии и медицине 157 (2023) | код
Эффективная трехмерная молекулярная конструкция с инвариантным трансформатором E (3) [2023]
Доллар, Орион, Нисарг Джоши, Джим Пфаендтнер и Дэвид А.К. Бек.
Журнал физической химии A (2023) | код
Молекулярная генерация с несколькими конструкциями с использованием редко маркированных тренировочных данных для локализованного скрининга разбавителя электролита с высокой концентрацией [2023]
Mileoa, Jonathan P., Xin Li, Jiezhong Qiu и Shengyu Zhang.
Цифровое обнаружение (2023) | код | Набор данных
Многоцелевая молекулярная оптимизация для обработки расстройства опиоидов с использованием генеративного сетевого комплекса [2023]
Фенг, Хонгсонг, Руи Ван, Чан-Гуо Чжан и Го-Вей Вей.
J. Med. хим. (2023) | код
Scaffoldgvae: генерация каркасов и прыжки с молекулами лекарств с помощью вариационного автоподора на основе нейронных сетей с несколькими обзорами [2023]
Ху, Чао, Сонг Ли, Ченксинг Ян, Джун Чен, Йи Сионг, Гишенг Фан, Хао Лю и Лян Хонг.
J Cheminform 15, 91 (2023) | Исследовательская площадь. (2023) | код
Глубокая генеративная конструкция пористых органических клеток с помощью вариационного автоэкодора [2023]
Цзяджун Чжоу, Остин Мроз, Ким Джилс*.
Chemrxiv (2023) | код
Целевые вариационные автоматические кодеры для генерации лигандов с мультимодальным изучением представления белка [2023]
Нхат Ханг Нго, сын Труонг Хи.
биоRxiv. (2023) | код
De novo de
