文献总结|使用上下文增强的分子表示提升少样本药物发现的效果

本文介绍于 2023 年发表在 ICLR 2023 上的一篇文章,文章原标题为 Context-enriched molecule representations improve few-shot drug discovery,文章介绍了一种可以用于药物发现的少样本学习模型 MHNfs,MHNfs 通过 Hopfield 网络用上下文数据集少样本的强化分子表示,提升了分子性质预测的准确度。

从零起步的 Transformer 与代码拆解

自 Google 的论文 Attention Is All You Need 发布后,几年内涌现了大量基于 Transformer 的模型,俨然形成了 Transformer 横扫人工智能领域的态势。 网络上也出现了大量解读论文或是讲解 Transformer 的文章,其中也不乏许多高水平人工智能从业者的解读。虽然有些可以称得上是高屋建瓴,但 …

文献总结|药物发现中的匹配分子对分析:方法与当前应用

本文介绍 2023 年由曹东升与侯廷军研究团队发表在 Journal of Medicinal Chemistry 上的一篇展望,文章原标题为 Matched Molecular Pair Analysis in Drug Discovery: Methods and Recent Applications,文章介绍了主要介绍了匹配分子对分析的理论与目前基于匹配分子对分析的实际应用。

文献总结|DrugEx v3:使用基于图 Transformer 的强化学习进行以分子骨架为约束的药物设计

本文介绍 2023 年发布在 Journal of Cheminformatics 上的一篇文章,文章原标题为 DrugEx v3: scaffold‑constrained drug design with graph transformer‑based reinforcement learning,文章介绍了使用包括 Transformer 和 LSTM 模型实现以分子骨架为约束的药物设计的方法并对比了使用 SMILES 与图两种方式的分子表示在分子生成中的区别。

文献总结|为蛋白质口袋定制分子:用于基于结构药物设计的 Transformer 分子生成方法

本文介绍由微软研究团队于 2022 年发布在 arXiv 上的一篇文章,文章原标题为 Tailoring Molecules for Protein Pockets: a Transformer-based Generative Solution for Structured-based Drug Design,文章使用 Transformer 构建了一种能够获取受体 3 维信息的分子生成模型 TamGent,其中分子生成部分使用了预训练模型,避免了训练数据有限的问题。

文献总结|MolGPT:使用 Transformer 解码器模型实现分子生成

本文介绍于 2022 年发表在 Journal of Chemical Information and Modeling 上的一篇文章,文章原标题为 MolGPT: Molecular Generation Using a Transformer-Decoder Model,在 GPT 模型已经在自然语言处理领域得到了成功应用的背景下,这篇文章首次将 GPT 模型应用于完成分子生成的任务,实现了分子性质和结构两个方面的优化。