papers for molecular design using DL

使用生成式人工智能和深度学习的分子和材料设计（分子构象生成）列表

与分子/药物设计和分子构象生成的生成人工智能和深度学习相关。

正在更新...

分子优化

分子优化欢迎您！！！

菜单

使用生成人工智能和深度学习进行分子（药物）设计

菜单	菜单	菜单	菜单
用于科学发现的生成式人工智能	评论	数据集和基准	药物相似性和评估指标
基于深度学习的设计	文本驱动的分子生成模型	基于多目标的深层分子生成模型	基于配体的深层分子生成模型
基于药效团的深层分子生成模型	基于结构的深层分子生成模型	基于片段的深层分子生成模型	基于支架的 DMG
基于碎片的 DMG	基于基序的 DMG	基于链接器的 DMG	基于化学反应的深层分子生成模型
基于组学的深层分子生成模型	多目标深层分子生成模型	量子深层分子生成模型	建议和参考
基于光谱（质量/NMR）	基于质谱	基于核磁共振谱	基于冷冻电镜图谱

• 药物相似性和评估指标

数据集	基准测试	药物相似性	评估指标
数据集	基准测试	量子电动力学	SA分数
		QEPPI	RA评分
			评估指标
			分子生成验证

• 分子构象生成人工智能

菜单	菜单
分子构象整体的基准	分子构象生成的评论
基于 VAE 的分子构象生成	基于 GAN 的分子构象生成
基于能量的分子构象生成
基于扩散的分子构象生成
基于强化学习的分子构象生成
基于 GNN 的分子构象生成

• 基于深度学习的药物设计

菜单	菜单	菜单	菜单
基于RNN	基于LSTM	自回归模型	基于变压器
基于VAE	基于GAN	基于流程的	基于提示的
基于分数	基于能源	基于扩散	主动学习 DMG
基于强化学习	多任务DMG	蒙特卡罗树搜索	基于遗传算法
基于进化算法	基于大语言模型

使用生成人工智能和深度学习的材料设计

• 基于深度学习的材料设计

菜单	菜单	菜单	菜单

建议和参考

真棒-AI4ProteinConformation-MD

https://github.com/AspirinCode/awesome-AI4ProteinConformation-MD

用于生物医学科学、分子、蛋白质、材料发现的大型语言模型

https://github.com/HHW-zhou/LLM4Mol

关于使用深度学习进行蛋白质设计的论文列表

https://github.com/Peldom/papers_for_ Protein_design_using_DL

很棒的生成人工智能

https://github.com/steven2358/awesome-generative-ai

令人敬畏的分子生成

https://github.com/amorehead/awesome-molecular- Generation

药物发现中的人工智能调查

https://github.com/dengjianyuan/Survey_AI_Drug_Discovery

用于药物发现和生命科学的几何深度学习

https://github.com/3146830058/Geometry-Deep-Learning-for-Drug-Discovery-and-Life-Science

用于科学发现的生成式人工智能

• 使用科学发现生成工具包加速材料设计
  Manica、Matteo 和 Cadow、Joris 和 Christofidellis、Dimitrios 和 Dave、Ashish 和 Born、Jannis 和 Clarke、Dean 和 Teukam、Yves Gaetan Nana 和 Hoffman、Samuel C 和 Buchan、Matthew 和 Chenthamarakshan、Vijil 等
  npj 计算机材料 9, 69 (2023) |代码

评论

• 从头药物设计中的扩散模型[204]
  阿拉赫达尔、阿米拉、巴纳巴斯·波佐斯和纽厄尔·沃什伯恩。
  J.化学。信息。模型。 (2024)

• 深度先导优化：利用生成式 AI 进行结构修改[2024]
  张，Odin，林海涛，张辉，赵惠峰，黄宇飞，黄元生，姜德君，谢长宇，潘佩臣，侯廷军。
  arXiv:2404.19230 (2024)

• 释放生成人工智能在药物发现中的潜力[2024]
  罗曼内利、维吉里奥、卡门·切尔基亚和安东尼奥·拉维奇亚。
  生成式人工智能的应用（2024）

• 基于自动化结构的从头药物设计的最新进展[2024]
  白，奇峰，马健，徐廷阳。
  J.化学。信息。模型。 (2024)

• 用于药物发现的 AI 深度学习生成模型[2024]
  白，奇峰，马健，徐廷阳。
  生成式人工智能的应用。 Cham：施普林格国际出版（2024）

• 从头药物分子生成中的深度生成模型[2024]
  唐相如、戴霍华德、伊丽莎白·奈特、吴芳、李云阳、李天笑、马克·格斯坦
  arXiv:2402.08703 (2024) |代码

• 从头药物分子生成中的深度生成模型[2023]
  庞超、乔剑波、曾湘湘、邹泉和魏乐毅*
  J.化学。信息。模型。 (2023)

• 深度学习驱动生成化学的漫游指南[2023]
  Yan Ivanenkov、Bogdan Zagribelnyy、Alex Malyshev、Sergei Evteev、Victor Terentiev、Petrina Kamya、Dmitry Bezrukov、Alex Aliper、Feng Ren 和 Alex Zhavoronkov
  ACS 医学。化学。莱特。 (2023)

• 量子计算在生成化学和药物发现中的近期应用[2023]
  Pyrkov、Alexey、Alex Aliper、Dmitry Bezrukov、Yen-Chu Lin、Daniil Polykovskiy、Petrina Kamya、Feng Ren 和 Alex Zhavoronkov。
  今日药物发现 (2023)

• 基于结构的药物设计的几何深度学习的系统调查[2023]
  张在熙、严家贤、刘奇、陈恩宏
  arXiv：2306.11768v2

• 生成式人工智能将如何颠覆药物发现中的数据科学？ [2023服]
  维特，JP。
  国家生物技术 (2023)

• 生成模型作为化学科学中的新兴范式[2023]
  安斯汀、迪伦·M.和亚历山大·伊萨耶夫。
  JACS (2023)

• 从头药物设计的化学语言模型：挑战和机遇[2023]
  格里索尼、弗朗西斯卡.
  结构生物学的当前观点 79 (2023)

• 多目标药物设计中的人工智能[2023]
  Luukkonen、Sohvi、Helle W. van den Maagdenberg、Michael TM Emmerich 和 Gerard JP van Westen。
  结构生物学的当前观点 79 (2023)

• 将基于结构的方法集成到生成分子设计中[2023]
  托马斯·摩根、安德烈亚斯·本德尔和克里斯·德·格拉夫。
  结构生物学的当前观点 79 (2023)

• 人工智能驱动的分子信息学中开放科学的开放数据和算法[2023]
  布林克豪斯、亨宁·奥托、科胡兰·拉詹、乔纳斯·绍布、阿奇姆·齐勒斯尼和克里斯托夫·斯坦贝克。
  结构生物学的当前观点 79 (2023)

• 基于几何深度学习的基于结构的药物设计[2023]
  伊塞特、克莱门斯、肯尼思·阿茨和吉斯伯特·施奈德。
  结构生物学的当前观点 79 (2023)

• MolGenSurvey：分子设计机器学习模型的系统调查[2022]
  杜元琪、付天凡、孙吉猛、刘胜超。
  arXiv:2203.14500 (2022)

• 深度生成分子设计重塑药物发现[2022]
  曾湘湘、王菲、罗元、康承古、唐健、Felice C. Lightstone、Evandro F. Fang、Wendy Cornell、Ruth Nussinov 和 Feixiong Cheng。
  细胞报告医学 (2022)

• 利用深度学习进行基于结构的药物发现[2022]
  厄兹塞利克、里扎、德里克·范蒂尔堡、何塞·希门尼斯-卢纳和弗朗西斯卡·格里索尼。
  化学生物化学 (2022)

• 分子发现的生成模型：最新进展和挑战[2022]
  Bilodeau、Camille、Wengong Jin、Tommi Jaakkola、Regina Barzilay 和 Klavs F. Jensen。
  计算分子科学12.5（2022）

• 评估化学成分空间中的深层生成模型[2022]
  图尔克、汉娜、伊丽莎白·兰迪尼、克里斯蒂安·昆克尔、约翰内斯·T·马格拉夫和卡斯滕·路透。
  材料化学34.21（2022）

• 用于从头药物发现的生成机器学习：系统评价[2022]
  马蒂内利、多米尼克.
  生物学和医学计算机 145 (2022)

• 寻找新候选药物中基于对接的生成方法[2022]
  Danel、Tomasz、Jan Łęski、Sabina Podlewska 和 Igor T. Podolak。
  今日药物发现 (2022)

• 使用三维深度生成模型进行从头药物设计的进展和挑战[2022]
  谢伟新，王凡浩，李一波，赖鲁华，裴剑峰。
  J.化学。信息。模型。 2022, 62, 10, 2269–2279

• 深度学习催化逆向分子设计[2022]
  Alshehri，Abdulela S.，和 Fengqi You。
  化学工程杂志 444 (2022)

• 3D 复合设计中的 AI [2022]
  托马斯·E·哈德菲尔德和夏洛特·M·迪恩。
  结构生物学的当前观点 73 (2022)

• 用于从头药物设计的深度学习方法：概述[2021]
  王明阳、王哲、孙慧勇、王继科、沉超、翁高琪、柴新、李洪林、曹东升和侯廷军。
  结构生物学当前观点 72 (2022)

• 生成化学：利用深度学习生成模型进行药物发现[2021]
  卞跃民，谢向群。
  分子建模杂志 27 (2021)

• 用于目标化合物设计的生成深度学习[2021]
  索萨、蒂亚戈、若昂·科雷亚、维托尔·佩雷拉和米格尔·罗查。
  J.化学。信息。模型。 2021, 61, 11, 5343–5361

• 从头药物设计的生成模型[2021]
  童晓初、刘晓红、谭小琴、李旭彤、蒋佳欣、熊兆平、徐廷阳、蒋华良、乔南和郑明月。
  药物化学杂志64.19（2021）

• 药物发现中的分子设计：深度生成模型的全面综述[2021]
  程、余、龚永顺、刘元生、宋博胜、邹全。
  生物信息学简报22.6 (2021)

• 从头分子设计和生成模型[2021]
  迈耶斯、约书亚、贝内德克·法比安和内森·布朗。
  今日药物发现 26.11 (2021)

• 分子设计的深度学习——最新技术回顾[2019]
  丹尼尔·C·埃尔顿 (Elton)、佐伊斯·布库瓦拉斯 (Zois Boukouvalas)、马克·D·福格 (Mark D. Fuge) 和彼得·W·钟 (Peter W. Chung)。
  分子系统设计与工程4.4（2019）

• 使用机器学习的逆向分子设计：物质工程的生成模型[2018]
  桑切斯-伦格林、本杰明和艾伦·阿斯普鲁-古兹克。
  科学361.6400 (2018)

数据集和基准

数据集

药物银行

锌15

锌20

公共化学

化学分子生物学

GDB数据库

化学蜘蛛

质量管理数据集

椰子|开放天然产品数据库集合

摩尔数据
基于疾病和目标的机器学习的分子基准
https://github.com/LumosBio/MolData

• 应对分子科学中小数据挑战的机器学习方法[2023]
  窦博正、朱再良、Ekaterina Merkurjev、陆克、陈龙、蒋健、朱月英、刘杰、张本公和魏国伟
  化学。修订版 (2023)

基准测试

• 逆向聚合物设计深度生成模型的基准研究[2024]
  岳T，陶L，Varshney V，李Y。
  chemrxiv-2024-gzq4r (2024)

• RediscMol：生物特性中分子生成模型的基准测试[2024]
  翁高奇、赵惠峰、聂斗、张浩天、刘立伟、侯廷军、康宇。
  J. Med。化学。 2024 | 2024代码

• 生成模型至少应该能够设计能够良好对接的分子：一个新基准[2023]
  Ciepliński、Tobiasz、Tomasz Danel、Sabina Podlewska 和 Stanisław Jastrzşbski。
  J.化学。信息。模型。 2023, 63, 11, 3238–3247 |代码

• Tartarus：现实实用的逆分子设计基准平台[2022]
  Nigam、AkshatKumar、Robert Pollice、Gary Tom、Kjell Jorner、Luca A.
  arXiv:2209.12487v1 |代码

• 分子集（MOSES）：分子生成模型的基准平台[2020]
  Polykovskiy、Daniil、Alexander Zhebrak、Benjamin Sanchez-Lengeling、Sergey Golovanov、Oktai Tatanov、Stanislav Belyaev、Rauf Kurbanov 等。
  药理学前沿 11 (2020) |代码

• GuacaMol：从头分子设计的基准模型[2019]
  内森·布朗、马可·菲斯卡托、马尔温·HS·塞格勒和阿兰·C·沃彻。
  J.化学。信息。模型。 2019, 59, 3, 1096–1108 |代码

药物相似性和评估指标

药物相似性可以定义为各种分子特性和结构特征的复杂平衡，决定特定分子是否与已知药物相似。这些特性，主要是疏水性、电子分布、氢键特性、分子大小和灵活性，当然还有各种药效特征的存在影响分子在活生物体中的行为，包括生物利用度、运输特性、对蛋白质的亲和力、反应性、毒性、代谢稳定性等。

https://github.com/AspirinCode/DrugAI_Drug-Likeness

量子电动力学

药物相似度的定量评估

• 量化药物的化学美[2012]
  Bickerton, G.、Paolini, G.、Besnard, J. 等人。
  自然化学 4, 90–98 (2012) |代码

QEPPI

针对药物相似性的蛋白质-蛋白质相互作用的定量估计

• 针对蛋白质-蛋白质相互作用的化合物早期筛选的定量评估指数[2021]
  小杉、高继和大江正人。
  国际分子科学杂志 22.20 (2021) |代码

• 针对药物相似性的蛋白质-蛋白质相互作用的定量估计[2021]
  小杉、高次和大江正人。
  CIBCB。 IEEE，（2021）|代码

SA分数

基于分子复杂性和片段贡献估计类药分子的合成可及性得分
化学杂志 1, 8 (2009) |代码

RA评分

逆合成可访问性评分 (RAscore) – 通过人工智能驱动的逆合成规划进行快速机器学习可合成性分类
化学科学 12.9 (2021) |代码

评估指标

• 哈密​​顿多样性：通过最短哈密顿电路有效测量分子多样性[2024]
  胡X.，刘G.，姚Q.等。
  化学杂志 16, 94 (2024) |代码

• 空间分数——小分子复杂性的综合拓扑指标[2023]
  克日扎诺夫斯基、阿德里安、阿克塞尔·帕尔、迈克尔·格里加鲁纳斯和赫伯特·瓦尔德曼。
  J. Med。化学。 (2023) | chemrxiv-2023-nd1ll | chemrxiv-2023-nd1ll |代码

• 一种自动评分功能，可促进和标准化对从头分子设计的目标导向生成模型的评估[2023]
  托马斯·摩根、诺埃尔·M·奥博伊尔、安德烈亚斯·本德和克里斯·德·格拉夫。
  chemrxiv-2023-c4867 | chemrxiv-2023-c4867 |代码

• FCD ：Fréchet ChemNet 距离
  Fréchet ChemNet 距离：药物发现中分子生成模型的度量 Preuer、Kristina、Philipp Renz、Thomas Unterthiner、Sepp Hochreiter 和 Gunter Klambauer。
  J.化学。信息。模型。 2018, 58, 9, 1736–1741 |代码

• 基于困惑度的化学语言模型分子排序和偏差估计[2022]
  Moret, M.、Grisoni, F.、Katzberger, P. 和 Schneider, G.
  J.化学。信息。模型。 2022, 62, 5, 1199–1206 |代码

分子生成验证

• 关于实际验证分子生成模型的困难：公共和专有数据的案例研究[2023]
  Handa, K.、Thomas, MC、Kageyama, M. 等人。
  化学杂志 15, 112 (2023)

分子构象生成人工智能

分子构象生成的评论

• 使用深度生成神经网络预测分子构象[2023]
  徐从胜、卢毅、邓晓梅、于培元。
  化学学报(2023)

分子构象整体的基准

• 学习分子构象集合体：数据集和基准[2023]
  Zhu，Yanqiao，Jeehyun Hwang，Keir Adams，Zhen Liu，Bozhao Nan，Brock Stenfors，Yuanqi Du 等。
  NeurIPS 2023 科学人工智能研讨会。 2023 (2023) |代码

基于 VAE 的分子构象生成

• 深度学习辅助增强采样探索分子构象变化[2023]
  付浩浩、刘瀚、邢静亚、赵通、邵学光、蔡文胜。
  J. Phys。化学。乙 (2023)

• 通过双层编程生成分子构象的端到端框架[2021]
  徐敏凯、王无杰、罗世同、石成策、Yoshua Bengio、Rafael Gomez-Bombarelli 和唐健。
  国际机器学习会议。 PMLR (2021) |代码

基于 GAN 的分子构象生成

• COSMIC：具有对抗性框架的内坐标分子构象空间建模[2024]
  库兹涅佐夫、马克西姆、费多尔·里亚博夫、罗曼·舒茨基、里姆·沙亚赫梅托夫、Yen-Chu Lin、亚历克斯·阿利佩尔和丹尼尔·波利科夫斯基。
  J.化学。信息。模型。 (2024) |代码

基于能量的分子构象生成

• 能量启发的分子构象优化[2022]
  关嘉琪、韦斯利·钱伟、马伟英、马建柱和彭建。
  国际学习表征会议。 (2022) |代码

基于扩散的分子构象生成

• AGDIFF：用于分子几何预测的注意力增强扩散[204]
  Kim, S.、Woo, J. 和 Kim, WY
  ChemRxiv。 (2024) |代码

• 基于扩散的生成人工智能，用于从 2D 分子图探索过渡态[204]
  Kim, S.、Woo, J. 和 Kim, WY
  自然通讯 15, 341 (2024) |代码

• 类药物分子构象异构体的物理生成模型[204]
  大卫·C·威廉姆斯，尼尔·伊马纳。
  arXiv：2403.07925。 (2024) |代码

• DynamicsDiffusion：使用扩散模型生成分子动态轨迹和稀有事件采样[2023]
  彼得森、马格努斯、杰玛·罗伊格和罗伯托·科维诺。
  NeurIPS 2023 AI4Science (2023)

• 生成分子构象场[2023]
  王宇阳、Ahmed Elhag、Navdeep Jaitly、Joshua Susskind、Miguel Bautista。
  [NeurIPS 2023 生成人工智能和生物学 (GenBio) 研讨会 (2023)]https://openreview.net/forum?id=Od1KtMeAYo)

• 关于在 SE(3) 不变空间中加速基于扩散的分子构象生成[2023]
  周Z.，刘R.，余T.
  arXiv:2310.04915 (2023))

• 通过转移分数生成分子构象[2023]
  周子涵、刘瑞英、应朝龙、张瑞茂、于天舒。
  arXiv:2309.09985 (2023)

• EC-Conf：具有等变一致性的分子构象生成的超快扩散模型[2023]
  范志光、杨跃东、徐明远、陈宏明。
  arXiv:2308.00237 (2023)

• 用于分子构象异构体生成的扭转扩散[2022]
  Jing、Bowen、Gabriele Corso、Jeffrey Chang、Regina Barzilay 和 Tommi Jaakkola。
  神经信息处理系统。 (2022) |代码

• GeoDiff：用于分子构象生成的几何扩散模型[2022]
  徐敏凯、余兰涛、宋杨、石成策、Stefano Ermon 和唐健。
  国际学习表征会议。 (2022) |代码

基于强化学习的分子构象生成

• Conformer-RL：用于生成符合者的深度强化学习库[2022]
  姜润轩、Tarun Gogineni、Joshua Kammeraad、何一飞、Ambuj Tewari 和 Paul M. Zimmerman。
  计算化学杂志 43.27 (2022) |代码

基于 GNN 的分子构象生成

• 利用 2D 分子图预训练通过图神经网络改进 3D 构象生成[2024]
  姜润轩、Tarun Gogineni、Joshua Kammeraad、何一飞、Ambuj Tewari 和 Paul M. Zimmerman。
  计算机与化学工程（2024）|代码

基于深度学习的药物设计

• 使用生成式 AI 模型和基于结构的药物设计加速发现氨基甲酸酯 Cbl-b 抑制剂[2024]
  Quinn, TR、Giblin, KA、Thomson, C.、Boerth, JA、Bommakanti, G.、Braybrooke, E.、Chan, C.、Chinn, AJ、Code, E.、Cui, C. 和 Fan, Y.
  J. Med。化学。 (2024) |代码

• 重塑 4：现代人工智能驱动的生成分子设计[2024]
  Hannes H. Loeffler、Jiazhen He、Alessandro Tibo、Jon Paul Janet、Alexey Voronov、Lewis H. Mervin 和 Ola Engkvist
  化学信息学杂志，16(20) (2024) |代码

• Chemistry42：人工智能驱动的分子设计和优化平台[2023]
  Ivanenkov、Yan A.、Daniil Polykovskiy、Dmitry Bezrukov、Bogdan Zagribelnyy、Vladimir Aladinskiy、Petrina Kamya、Alex Aliper、Feng Ren 和 Alex Zhavoronkov。
  化学信息与建模杂志 63.3 (2023) |网络

基于RNN

• 用于从头药物设计的转录条件循环神经网络[2024]
  Matsukiyo, Y.、Tengeiji, A.、Li, C. 和 Yamanishi, Y.
  J.化学。信息。模型。 (2024) |代码

• 具有深度相互作用组学学习的前瞻性从头药物设计[2024]
  Atz, K.、Cotos, L.、Isert, C. 等人。
  自然通讯 15, 3408 (2024) |代码

• CNSMolGen：基于双向循环神经网络的生成模型，用于从头中枢神经系统药物设计[2024]
  苟荣培、杨静怡、郭梦涵、陈英俊和薛伟伟。
  chemrxiv-2024-x4wbl (2024) | chemrxiv-2024-x4wbl (2024) |代码

• NovoMol：用于口服生物可利用药物设计和 PDGFRα 受体验证的循环神经网络[2023]
  拉奥、伊希尔.
  arXiv:2312.01527 (2023) |代码

• 使用循环神经网络生成聚焦药物分子库[2023]
  邹金平，赵龙，施少平。
  分子建模杂志 29.12 (2023) |代码

• ChemTSv2：使用 de novo 分子生成器进行功能分子设计[2023]
  石田、Shoichi、Tanuj Aasawat、Masato Sumita、Michio Katouda、Tatsuya Yoshizawa、Kazuki Yoshizoe、Koji Tsuda 和 Kei Terayama。
  Wiley 跨学科评论：计算分子科学 (2023) |代码

• 利用强化学习进行从头药物设计[2023]
  Svensson、Hampus Gummesson、Christian Tyrchan、Ola Engkvist 和 Morteza Haghir Chehreghani。
  arXiv:2303.17615 (2023) |代码

• 基于Stack-RNN的多目标奖励加权和和强化学习的从头药物设计[2023]
  胡平，邹静，余静等。
  J Mol 模型 29, 121 (2023) |代码

• 关于现实验证分子生成模型的困难：公共和专有数据的案例研究[2023]
  半田、光一、摩根·托马斯、影山道晴、饭岛武和安德烈亚斯·本德尔。
  chemrxiv-2023-lbvgn | chemrxiv-2023-lbvgn代码

• Magicmol：用于类药物分子进化和快速化学空间探索的轻量级管道[2023]
  陈、林、沉庆、楼俊刚。
  BMC 生物信息学 (2023) |代码

• 增强爬山提高了基于语言的从头分子生成的强化学习效率[2022]
  托马斯，M.，奥博伊尔，NM，本德，A. 等人。
  化学杂志 (2022) |代码

• 使用化学语言模型进行从头分子设计[2022]
  格里索尼，F.，施奈德，G.
  药物设计中的人工智能。分子生物学方法，第 2390 卷。(2022) |代码

• 相关 RNN 框架可在低数据范围内快速生成具有含能材料所需特性的分子[2022]
  李川、王成辉、孙明、曾彦、袁媛、苟巧林、王广川、郭彦志和蒲雪梅。
  J.化学。信息。模型。 (2022) |代码

• 优化从头药物设计的循环神经网络架构[2021]
  Santos, BP、Abbasi, M.、Pereira, T.、Ribeiro, B. 和 Arrais, JP
  纸|代码

• 一种生成用于药物发现的类药物分子的循环神经网络 (RNN) [2021]
  代码

• 使用交互指纹（对接姿势）作为约束的分子生成模型[2021]
  代码

• 使用递归神经网络进行双向分子生成[2020]
  Grisoni, F.、Moret, M.、Lingwood, R. 和 Schneider, G.
  J.化学。信息。模型。 (2020) |代码

• 使用描述符条件循环神经网络直接控制从头分子生成[2019]
  Kotsias, PC.、Arús-Pous, J.、Chen, H.等人。
  纳特·马赫情报 2, 254–265 (2020) |代码

• ChemTS：用于从头分子生成的高效 Python 库[2017]
  杨X.、张J.、Yoshizoe, K.、寺山K.、津田K.
  先进材料科学与技术（2017）|代码

基于LSTM

• ClickGen：通过模块化反应和强化学习对可合成化学空间进行定向探索[2024]
  王M.，李S.，王J.等。
  自然通讯 15, 10127 (2024) |代码

• DigFrag 作为一种数字碎片方法，用于基于人工智能的药物设计[2024]
  杨R.，周红，王F.等。
  通讯化学 7, 258 (2024) |代码

• 具有深度相互作用组学学习的前瞻性从头药物设计[2024]
  Atz, K.、Cotos, L.、Isert, C. 等人。
  自然通讯 15, 3408 (2024) |代码

• 使用定制的 LSTM 变分自动编码器深度学习架构进行 HIV 病毒的计算药物发现[2023]
  Kutsal、Mucahit、Ferhat Ucar 和 Nida Kati。
  CPT：药理学和系统药理学。 (2023) |代码

• 用于从头药物设计的结构化状态空间序列模型[2023]
  厄兹塞利克 R、德鲁特 S、格里索尼 F.
  chemrxiv-2023-jwmf3。 (2023) |代码

• 将合成可及性与基于人工智能的生成药物设计相结合[2023]
  Parrot, M.、Tajmouati, H.、da Silva, VBR 等人。
  化学杂志 15, 83 (2023) |代码

• 用于从头药物设计的深度交互组学习[2023]
  Atz K、Cotos Muñoz L、Isert C、Håkansson M、Focht D、Nippa DF 等。
  chemrxiv-2023-cbq9k (2023)

• 基于胃质子泵结构的深度学习驱动的从头药物设计[2023]
  Abe, K.、Ozako, M.、Inukai, M. 等人。
  社区生物学 6, 956 (2023) |代码

• 使用立体化学信息预测生物活性和生成分子命中的人工智能[2023]
  佩雷拉、Tiago O.、Maryam Abbasi、Rita I. Oliveira、Romina A. Guedes、Jorge AR Salvador 和 Joel P. Arrais。
  研究广场。 (2023) |代码

• 逻辑：学习设计从头化学结构的最佳生成分布[2023]
  Bae, B.、Bae, H. 和 Nam, H.
  化学杂志 15, 77 (2023) |代码

• 利用化学语言模型的分子结构和生物活性进行从头药物设计[2023]
  Kotsias, PC.、Arús-Pous, J.、Chen, H.等人。
  自然通讯 14, 114 (2023) |代码

• 基于 SMILES 的 CharLSTM，通过策略梯度进行微调和目标导向生成[2022]

  代码

• DeLA-Drug：一种用于自动设计类药类似物的深度学习算法[2022]
  Creanza, TM、Lamanna, G.、Delre, P.、Contino, M.、Corriero, N.、Saviano, M....和 ​​Ancona, N.
  J.化学。信息。模型。 (2022) |网络

• 使用基于循环神经网络的迁移学习对 SARS-CoV-2 主要蛋白酶抑制剂进行从头设计和生物活性预测[2021]
  桑塔纳，MVS，小席尔瓦，FP
  BMC 化学 15, 8 (2021) |代码

• 用于从头药物设计的生成循环网络[2018]
  Gupta, A.、Müller, AT、Huisman, BJ、Fuchs, JA、Schneider, P. 和 Schneider, G.
  摩尔通知。 2018 |代码

• 用于从头药物设计的生成循环神经网络[2017]
  古普塔、安维塔等人。
  摩尔通知。 2018 |代码

自回归模型

• Saturn：使用内存操作进行高效样本生成分子设计[2024]
  杰夫·郭，菲利普·施瓦勒。
  arXiv:2405.17066 (2024) |代码

• 利用 Pareto MCTS 实现目标感知分子生成以遵循多目标[2024]
  杨Y.，陈G.，李J.等。
  社区生物学 7, 1074 (2024) |代码

• PocketFlow 是一种数据和知识驱动的基于结构的分子生成模型[2024]
  杨胜勇，蒋媛媛，张国等。
  纳特·马赫·英特尔 (2024) |研究广场。预印本。 (2023) |代码

• 通过深度生成框架和迭代迁移学习实现偏向性质的从头分子设计[2024]
  Sattari、Kianoosh、李大伟、Bhupalee Kalita、谢云超、Fatemeh Barmaleki Lighvan、Olexandr Isayev 和Jian Lin。
  数字发现 (2024) |代码

• Symphony：用于 3D 分子生成的对称等变点心球谐函数[2024]
  阿米亚·戴加万 (Ameya Daigavane)、金松恩 (Song Eun Kim)、马里奥·盖格 (Mario Geiger) 和泰丝·斯密特 (Tess Smidt)。
  ICLR (2024) |代码

• 基于自回归片段的扩散，用于口袋感知配体设计[2023]
  戈尔巴尼、马赫迪、利奥·根德列夫、保罗·贝罗扎和迈克尔·凯泽。
  NeurIPS 2023 生成人工智能和生物学 (GenBio) 研讨会。 (2023) |代码

• 学习 3D 分子生成的拓扑表面和几何结构[2023]
  张，Odin，王天悦，翁高琪，姜德军，王宁，王晓瑞，赵惠峰等。
  自然计算科学 (2023) |代码

• ResGen 是一种基于并行多尺度建模的口袋感知 3D 分子生成模型[2023]
  张，O.，张，J.，金，J.等。
  纳特·马赫·英特尔 (2023) |代码

• FFLOM：用于片段到先导优化的基于流的自回归模型[2023]
  金洁宇、王栋、施古琴、鲍景晓、王继科、张浩天、潘培臣、李丹、姚晓君、刘焕翔、侯廷军、康宇
  J. Med。化学。 (2023) |代码

• 具有自反馈功能的领域不可知分子生成[2023]
  尹方、张宁宇、陈卓、范晓辉、陈华军
  arXiv:2301.11259v3 |代码

• GraphAF：用于分子图生成的基于流的自回归模型[2020]
  施成、徐明、朱志、张文、张明、唐杰。
  ICLR (2020) |arXiv:2001.09382 |代码

基于变压器

• 基于扩散的化学自然语言生成类药物分子编辑[2024]
  王建民、周鹏、王子旭、龙伟、陈阳阳、诺景泰、欧阳东升*、毛家顺*、曾香香*。
  J.Pharm。肛门。 (2024) |代码

• 利用 Tree-Transformer VAE 和片段标记化实现高性能大型化学生成模型[2024]
  犬养 T、大和 A、秋山 M、榊原 Y.
  ChemRxiv。 (2024) |代码

• 通过反应性构建模块进行毒性控制的合理配体生成的深度学习方法[2024]
  李平，张凯，刘T.等。
  自然计算科学 (2024) |代码

• 化学设计和性能预测的基础模型[2024]
  蔡 F.、朱 T.、曾 TR、段 Y.、刘 L.、Pilla S.、李 G. 和罗 F.
  arXiv:2410.21422 (2024) |代码

• SE(3) 基于结构的药物发现的等变拓扑[2024]
  Prat A、Abdel Aty H、Pabrinkis A、Bastas O、Paquet T、Kamuntavičius G 等。
  ChemRxiv。 (2024)

• 用于多条件分子生成的图扩散变压器[2024]
  刘刚、徐嘉欣、特罗和孟姜。
  NeurIPS 2024（口头）。 (2024) |代码

• 使用变压器模型进行详尽的局部化学空间探索[2024]
  Tibo, A.、He, J.、Janet, JP 等人。
  自然通讯 15, 7315 (2024) |代码

• 用于生成分子设计的 Transformer 图变分自动编码器[2024]
  Nguyen、Trieu 和 Aleksandra Karolak。
  生物Rxiv (2024)

• BindGPT：通过语言建模和强化学习进行 3D 分子设计的可扩展框架[2024]
  Zholus、Artem、Maksim Kuznetsov、Roman Schutski、Rim Shayakhmetov、Daniil Polykovskiy、Sarath Chandar 和 Alex Zhavoronkov。
  arXiv:2406.03686 (2024)

• 使用基于图的 Transformer 模型探索新型芬太尼类似物[2024]
  张光乐、张元、李玲、周家英、陈洪林、季金文、李艳茹、曹悦、徐志辉和片丛。
  跨学科科学：计算生命科学（2024）|代码

• TenGAN：纯 Transformer 编码器为 De Novo 分子生成构建高效的离散 GAN [2024]
  李、陈和山西义弘。
  国际人工智能和统计会议。 PMLR (2024)

• DockingGA：使用变压器神经网络和遗传算法通过对接模拟增强目标分子生成[2024]
  高昌南、鲍文杰、王爽、郑建阳、王露露、任永琪、焦林芳、王建民、王迅。
  功能基因组学简报 (2024) |代码

• 必须安全：分子设计的新框架[2024]
  努塔希、伊曼纽尔、克里斯蒂安·加贝里尼、迈克尔·克雷格、乔纳森·SC·林和普鲁登西奥·托索。
  数字发现 (2024) | arXiv:2310.10773 (2023) |代码

• 提高分子设计效率：将语言模型和生成网络与遗传算法结合起来[2024]
  Bhowmik、Debsindhu、张培、Zachary Fox、Stephan Irle 和 John Gounley。
  模式 (2024) |代码

• ChemSpaceAL：一种应用于蛋白质特异性分子生成的高效主动学习方法[2024]
  Kyro、Gregory W.、Anton Morgunov、Rafael I. Brent 和 Victor S. Batista。
  J.化学。信息。模型。 (2024) |代码

• 基于 Transformer 的分子设计中强化学习的评估[2024]
  He J、Tibo A、Janet JP、Nittinger E、Tyrchan C、Czechtizky W 等。
  chemrxiv-2024-r9ljm (2024) |代码

• 双空间优化：通过 Latent Prompt Transformer 改进分子序列设计[2024]
  Deqian Kong、Yuhao Huang、Jianwen Xie、Edouardo Honig、Ming Xu、S双红、Pei Lin、Sanping Zhou、Shengzhong、Nanning Cheng 和 Ying Nian Wu。
  arXiv:2402.17179 (2024)

• VAE结合Transformer的新型分子生成模型[2024]
  吉海泰弘、水野忠早、根本俊平、楠原博之。
  arXiv:2402.11950 (2024) |代码

• GexMolGen：通过基因表达特征的大语言模型编码跨模式生成类命中分子[2024]
  程家北、潘晓勇、杨开元、曹胜浩、刘斌、颜庆然和叶远。
  生物Rxiv (2024) |代码

• 用于发现潜在 NLRP3 抑制剂的本地支架多样性生成器[2024]
  波伟辰、段扬琴、邹玉蓉、马子彦、杨涛、王鹏、郭涛、付志远、王建民、范临川、刘杰、王泰金和陈丽娟。
  J.化学。信息。模型。 (2024) |代码

• 使用化学语言模型进行药物设计的目标感知分子生成[2024]
  夏英策、吴克涵、邓攀、刘仁和、张元、韩国、崔雨萌等。
  生物Rxiv (2024)

• 利用药效团信息生成模型加速新型生物活性配体的发现[2024]
  谢伟新、张建航、谢勤、龚朝军、徐友军、赖鲁华和裴建峰。
  arXiv:2401.01059 (2024) |代码

• 基于条件生成模型的可自我改进的聚合物发现框架[2023]
  雷翔云、叶伟科、杨振泽、丹尼尔·施威格特、权河京和阿拉什·卡杰。
  arXiv：2312.04013。 (2023)

• LLamol：用于从头分子设计的动态多条件生成变压器[2023]
  Dobberstein，Niklas，Astrid Maass和Jan Hamaekers。
  ARXIV：2311.14407。 (2023) |代码

• GraphGpt：用于条件分子产生的增强的生成预验力的变压器[2023]
  Lu，Hao，Zhiqiang Wei，Xuze Wang，Kun Zhang和Hao Liu。
  国际分子科学杂志24.23（2023）|代码

• protacable是3-D建模和深度学习的集成计算管道，以使Protac的从头设计自动化[2023]
  Hazem Mslati，Francesco Gentile，Mohit Pandey，Fuqiang Ban，Artem Cherkasov。
  Biorxiv 2023.11.20.567951。 (2023) |代码

• 基于从头毒品设计中的A2C增强学习的分子生成策略和优化[2023]
  Wang，Qian，Zhiqiang Wei，Xiaotong Hu，Zhuoya Wang，Yujie Dong和Hao Liu。
  生物信息学：BTAD693。 (2023) |代码

• 通过基础模型编码基因表达特征的跨模式生成命中样分子[2023]
  Jiabei Cheng，Xiaoyong Pan，Kaiyuan Yang，Shenghao Cao，Bin Liu，Ye Yuan。
  Biorxiv 2023.11.11.566725。 (2023) |代码

• RENVENT4：现代AI驱动的生成分子设计[2023]
  Loeffler H，He J，Tibo A，Janet JP，Voronov A，Mervin L等。
  Chemrxiv-2023-XT65X（2023）|代码

• 通过变压器和深度增强学习的化学空间中结合亲和力的优化[2023]
  Xu，Xiaopeng，Juexiao Zhou，Chen Zhu，Qing Zhan，Zhongxiao Li，Ruochi Zhang，Yu Wang，Xingyu Liao和Xin Gao。
  ChemRXIV-2023-7V4SW（2023）|代码

• 使用增强学习和变压器搜索高价值分子[2023]
  Raj Ghugare和Santiago Miret，Adriana Hugessen以及Mariano Phielipp和Glen Berseth。
  ARXIV：2310.02902（2023）

• 通过基于变压器的增强学习[2023]，从头设计[2023]
  Feng，Tao，Pengcheng Xu，Tianfan Fu，Siddhartha Laghuvarapu和Jimeng Sun。
  ARXIV：2310.05365（2023）

• 分子生成设计的概率生成变压器语言模型[2023]
  Wei，L.，Fu，N.，Song，Y。等。
  J Cheminform 15，88（2023）|代码

• 带有关节变压器的从头毒品设计[2023]
  Adam Izdebski和EwelinaWęGlarz-Tomczak和Ewa Szczurek和Jakub M. Tomczak
  Arxiv：2310.02066。 (2023)

• 从头制药设计的结构化状态空间序列模型[2023]
  ÖzçelikR，De Ruiter S，Grisoni F.
  ChemRXIV-2023-JWMF3。 (2023) |代码

• 基于变压器的差异自动编码器和贝叶斯优化的抑制剂和激活因子候选抑制剂和活化剂候选化学结构的生成[2023]
  Yuki Matsukiyo，Chikashige Yamanaka和Yoshihiro Yamanishi。
  J.化学。信息。模型。 (2023) |代码

• 反向转化器GAN生成具有特性优化的支架约束分子。 [2023服]
  Li，C.，Yamanishi，Y。
  ECML PKDD（2023）|代码

• Chempeaceal：一种应用于蛋白质特异性分子产生的有效活跃学习方法[2023]
  Kyro，Gregory W.，Anton Morgunov，Rafael I. Brent和Victor S. Batista。
  ARXIV：2309.05853（2023）|代码

• 具有E（3）不变变压器VAE [2023]的有效3D分子设计
  Dollar，Orion，Nisarg Joshi，Jim Pfaendtner和David AC Beck。
  物理化学杂志A（2023）|代码

• Lingo3Dmol：使用语言模型[2023]生成基于袖珍的3D分子
  Wang，LVWEI，Zaiyun Lin，Yanhao Zhu，Rong Bai，Wei Feng，Huting Wang，Jielong Zhou，Wei Peng，Bo Huang和Wenbiao Zhou。
  ARXIV：2305.10133（2023）|代码

• FSM-DDTR：使用变压器的多目标de从头设计的端到端反馈策略[2023]
  Monteiro，Nelson RC，Tiago O. Pereira，Ana Catarina D. Machado，JoséL。Oliveira，Maryam Abbasi和Joel P. Arrais。
  生物学和医学的计算机（2023）|代码

• 通过深度学习对线性分子的大环化，以促进大环药物候选者发现[2023]
  Diao，Y.，Liu，D.，Ge，H。等。
  Nat Commun 14，4552（2023）|代码

• 通过深度学习基于患者基因表达谱的从头制药设计[2023]
  Yamanaka，Chikashige，Shunya Uki，Kazuma Kaitoh，Michio Iwata和Yoshihiro Yamanishi。
  分子信息学（2023）|代码

• 基于变压器的深度学习方法，用于优化铅化合物的ADMET特性[2023]
  Yang，Lijuan，Chao Jin，Guangui Yang，Zhitong Bing，Liang Huang，Yuzhen Niu和Lei Yang。
  物理化学化学物理学25.3（2023）

• 基于序列的药物设计是计算药物设计概念[2023]
  Chen，L。，Fan，Z.，Chang，J。等。
  Nat Commun 14，4217（2023）|代码

• Druggpt：基于GPT的策略，用于设计针对特定蛋白质的潜在配体[2023]
  Yuesen Li，Chengyi Gao，Xin Song，Xiangyu Wang，View Orcid profileyungang Xu，suxia han
  Biorxiv（2023）|代码

• 前缀：通过前缀嵌入[2023]的靶标和化学感知分子设计
  Gao，Zhangyang，Yuqi Hu，Cheng Tan和Stan Z. Li。
  ARXIV：2302.07120（2023）|代码

• 分子设计的自适应语言模型培训[2023]
  Andrew E. Blanchard，Debsindhu Bhowmik，Zachary Fox，John Gounley，Jens Glaser，Belinda S. Akpa＆Stephan Irle。
  J Cheminform 15，59（2023）|代码

• CMGN：有条件的分子生成网，以设计具有所需特性的目标特异性分子[2023]
  Yang，Minjian，Hanyu Sun，Xue Liu，Xi Xue，Yafeng Deng和Xiaojian Wang。
  生物信息学的简报，2023;，bbad185 |代码

• Cmolgpt：一种有条件的生成预训练的变压器，用于靶标特异性DE分子生成[2023]
  Wang，Ye，Honggang Zhao，Simone Scaibola和Wenlu Wang。
  分子2023，28（11），4430 |代码

• 使用变压器和政策梯度增强学习的分子生成[2023]
  Mazuz，E.，Shtar，G.，Shapira，B。等。
  Sci Rep 13，8799（2023）|代码

• IUPACGPT：基于IUPAC的大型分子预测和分子产生的大分子预训练模型[2023]
  Jiashun Mao，Jianmin Wang，Kwang-Hwi Cho，Kyoung tai no
  Chemrxiv-2023-5KJVH |代码

• 通过约束结构降低标记的分子生成[2023]
  Wang，Jike，Yundian Zeng，Huiyong Sun，Junmei Wang，Xiaorui Wang，Ruofan Jin，Mingyang Wang等。
  J.化学。信息。模型。 (2023) |代码

• 使用扩散建模和变压器深神经网络对新型化学设计的生成性发现，并应用于深色溶剂[2023]
  Luu，Rachel K.，Marcin Wysokowski和Markus J. Buehler。
  Arxiv：2304.12400V1 |代码

• 回归变压器可以为分子语言建模的并发序列回归和生成[2023]
  生于J.，Manica，M。
  Nat Mach Intell 5，432–444（2023）|代码

• 基于变压器的抗病毒药物设计的分子生成模型[2023]
  毛，贾申；王，江； Zeb，阿米尔； Cho，Kwang-hwi；金，海扬；金，钟旺； Lee，Onju；王，Yunyun；不，Kyoung Tai。
  J.化学。信息。模型。 (2023) |代码

• 基于图变压器的生成对抗网络的药物候选分子的靶标特异性设计[2023]
  ünlü，atabey，Elifçevrim，AhmetSarıgün，Hayriyeçelikbilek，HevalAtaşGüvenilir，AltayKoyaş，Deniz Cansen Kahraman，AhmetRifaioğlu和AbdurrahmanOlğaç。
  ARXIV：2302.07868V5

• Drugex V3：脚手架受限的药物设计，基于图形变压器的增强学习[2023]
  刘X，Ye，K.，van Vlijmen，HWT等。
  J Cheminform 15，24（2023）|代码

• 通过深层生成模型探索类似药物的空间[2023]
  Wang，Jianmin等。
  方法（2023）|代码

• 大规模化学语言表示捕获分子结构和特性[2022]
  罗斯（J.
  Nat Mach Intell 4，1256–1264（2022）|代码

• Alphadrug：蛋白质特异性从头分子产生[2022]
  Qian，Hao，Cheng Lin，Dengwei Zhao，Shikui Tu和Lei Xu。
  PNAS Nexus（2022）|代码

• 我们可以快速学习使用变压器模型“翻译”生物活性分子？ 【2022】
  Bagal，V.，Aggarwal，R.，Vinod，PK和Priyakumar，UD
  ChemRXIV-2022-GLN27

• MOLGPT：使用变压器模型的分子生成[2022]
  Bagal，V.，Aggarwal，R.，Vinod，PK和Priyakumar，UD
  J.化学。信息。模型。 2022，62，9，2064–2076 |代码

• 针对蛋白质口袋的调整分子：一种基于变压器的生成溶液，用于基于结构化的药物设计[2022]
  Wu，K.，Xia，Y.，Fan，Y.，Deng，P.，Liu，H.，Wu，L。，...＆Liu，Ty
  Arxiv.2209.06158 |代码

• 利用靶向药物设计预验证的生化语言模型[2022]
  Uludoğan，Gökçe，Elif Ozkirimli，Kutlu O.Ulgen，NilgünKaralı和Arzucanözgür。
  生物信息学（2022）|代码

• 基于变压器的从头分子设计的生成模型[2022]
  Wang，Wenlu等。
  ARXIV：2210.08749V2

• 分子与自然语言之间的翻译[2022]
  Edwards，C.，Lai，T.，Ros K.，Honke，G。，＆Ji，H。
  Arxiv：2204.11817V3 |代码

• 回归变压器可实现分子语言建模的并发序列回归和生成[2022]
  生于Matteo的Jannis和Manica
  Arxiv：2202.01338V3 |代码

• 分子的生成预训练[2021]
  阿迪洛夫（Adilov），桑贾（Sanjar）。
  J.化学。信息。模型。 2022，62，9，2064–2076 |代码

• 分子图生成的变压器[2021]
  Cofala，Tim和Oliver Kramer。
  Esann 2021 |代码

• 变压器的空间产生分子[2021]
  Cofala，Tim和Oliver Kramer。
  IJCNN52387.2021.953439（2021）|代码

• 生成化学变压器：化学语言通过ATTENTIO的分子几何结构的神经机器学习[2021]
  Hyunseung Kim，Jonggeol NA*，并赢得了Bo Lee*。
  J.化学。信息。模型。 2021，61，12，5804–5814 |代码

• C5T5：具有变压器的有机分子的可控产生[2021]
  Rothchild，D.，Tamkin，A.，Yu，J.，Misra，U。和Gonzalez，J。
  Arxiv：2108.10307V1 |代码

• 通过使用深神经网络捕获化学家的直觉，分子优化[2021]
  He，J.，You，H.，Sandström，E。等。
  J Cheminform 13，26（2021）|代码

• 用于蛋白质特异性药物的变压器神经网络作为机器翻译问题[2021]
  Grechishnikova，Daria。
  Sci Rep 11，321（2021）|代码

• Transmol：重新利用分子产生的语言模型[2021]
  Grechishnikova，Daria。
  RSC进展。 2021; 11（42）：25921-32。 |代码

• 基于注意力的新分子设计模型[2021]
  Dollar，O.，Joshi，N.，Beck，da和Pfaendtner，J.，
  化学科学12.24（2021）|代码

基于VAE

• 利用树木转化器VAE具有碎片令牌化，以进行高性能的大化学生成模型[2024]
  Inukai T，Yamato A，Akiyama M，Sakakibara Y.
  ChemRxiv。 （2024）|代码

• 变压器图的生成分子设计变异自动编码器[2024]
  Nguyen，Trieu和Aleksandra Karolak。
  生物Rxiv (2024)

• 基于结构的药物设计具有深层层次生成模型[2024]
  Weller，Jesse A.和Remo Rohs。
  J.化学。信息。模型。 （2024）|代码

• 利用主动子空间来捕获分子设计深生成模型中的认知模型不确定性[2024]
  Abeer，Anm，Sanket Jantre，Nathan M. Urban和Byung-Jun Yoon。
  ARXIV：2405.00202（2024）

• GXVAE：两个关节VAE产生了基因表达谱的命中分子[2024]
  Li，Chen和Yoshihiro Yamanishi。
  AAAI 人工智能会议论文集。卷。 38。12。（2024）|代码

• 相互作用引导的药物设计的3D分子生成框架[2024]
  Zhung，W.，Kim，H。＆Kim，Wy
  Nat Commun 15，2688（2024）|代码

• 通过分层变异自动编码器[2024]基于注意力的分子产生
  Divahar Sivanesan。
  ARXIV：2402.16854。 (2024)

• VAE的新型分子生成模型与变压器结合[2024]
  Yasuhiro Yoshikai和Tadahaya Mizuno和Shumpei Nemoto和Hiroyuki Kusuhara。
  ARXIV：2402.11950（2024）|代码

• 基于机器学习[2024]
  他，dakuo，Qing Liu，Yan Mi，Qingqi Meng，Libin Xu，Chunyu Hou，Jinpeng Wang等。
  高级科学（2024）

• 具有定制LSTM变量自动编码器深度学习体系结构的HIV病毒的计算药物发现[2023]
  Kutsal，Mucahit，Ferhat Ucar和Nida Kati。
  CPT：药物计量学和系统药理学。 (2023) |代码

• NRC-VABS：标准化的重新聚集有条件变异自动编码器，具有在药物分子设计的潜在空间中施加的光束搜索[2023]
  Bhadwal，Arun Singh，Kamal Kumar和Neeraj Kumar。
  具有应用的专家系统。 (2023)

• 通过多模式蛋白建模的配体生成的目标感知的变异自动编码器[2023]
  NGO，Khang和Truong Son Hy。
  Neurips 2023 Generative AI和生物学（Genbio）研讨会。 (2023) |代码

• 相互作用感知的3D分子生成框架，用于基于结构的药物设计[2023]
  Woo Youn Kim，Wonho Zhung和Hyeongwoo Kim。
  研究广场。 (2023) |代码

• 在计算机辅助药物设计中，变分图编码器作为有效的通才算法[2023]
  Lam，Hyi，Pincket，R.，Han，H。等。
  Nat Mach Intell 5，754–764（2023）|代码

• 基于变压器的差异自动编码器和贝叶斯优化的抑制剂和激活因子候选抑制剂和活化剂候选化学结构的生成[2023]
  Yuki Matsukiyo，Chikashige Yamanaka和Yoshihiro Yamanishi。
  J.化学。信息。模型。 (2023) |代码

• RebAdd-SE：使用自拍照片段和外部自我批判序列训练的多目标分子优化[2023]
  Choi，Jonghwan，Sangmin Seo，Seungyeon Choi，Shengmin Piao，Chihyun Park，Sung Jin Ryu，Byung Ju Kim和Sanghyun Park。
  生物学和医学的计算机157（2023）|代码

• 具有E（3）不变变压器VAE [2023]的有效3D分子设计
  Dollar，Orion，Nisarg Joshi，Jim Pfaendtner和David AC Beck。
  物理化学杂志A（2023）|代码

• 使用稀疏标记的训练数据进行局部高浓度电解质稀释剂筛选[2023]的多构造分子生成[2023]
  Mailoa，Jonathan P.，Xin Li，Jiezhong Qiu和Shengyu Zhang。
  数字发现（2023）|代码|数据集

• 使用生成网络复合物进行阿片类药物使用障碍处理的多目标分子优化[2023]
  冯，香港，瑞·王，昌高Zhan和郭维韦。
  J. Med。化学。 (2023) |代码

• 脚手架：基于多视图图神经网络的变异自动编码器的脚手架产生和跳跃药物分子[2023]
  Hu，Chao，Song Li，Chenxing Yang，Jun Chen，Yi Xiong，Guisheng Fan，Hao Liu和Liang Hong。
  J Cheminform 15，91（2023）|研究广场。 (2023) |代码

• 通过变异自动编码器对多孔有机笼的深层生成设计[2023]
  Jiajun Zhou，Austin Mroz，Kim Jelfs*。
  ChemRxiv（2023）|代码

• 具有多模式蛋白表示学习的配体生成的目标感知的变异自动编码器[2023]
  nhat khang ngo，Truong Son Hy。
  生物Rxiv。 (2023) |代码

• 从头de