GraphNVP | 用于分子图生成的可逆流模型
【摘要】 分子生成
具有理想药理特性新分子的发现是计算药物发现中的关键问题。传统上，这项任务是通过临床合成候选化合物并对其进行实验来完成的。但是，由于化学空间是巨大的，合成分子并对其进行广泛的实验是非常耗时的任务。从头设计药物不是在分子中寻找具有所需特性的空间，而是设计具有我们感兴趣特性的新化合物。
事实证明，深度学习的最新进展，尤其是深度生成模型在从头药物设计中具有不可估量的价值...
分子生成
具有理想药理特性新分子的发现是计算药物发现中的关键问题。传统上，这项任务是通过临床合成候选化合物并对其进行实验来完成的。但是，由于化学空间是巨大的，合成分子并对其进行广泛的实验是非常耗时的任务。从头设计药物不是在分子中寻找具有所需特性的空间，而是设计具有我们感兴趣特性的新化合物。
事实证明，深度学习的最新进展，尤其是深度生成模型在从头药物设计中具有不可估量的价值。
分子表征
将深度学习应用于分子生成的重要步骤是如何表示化合物。早期的模型依赖于SMILES的基于字符串的表示形式 。基于RNN的语言模型或变分自动编码器（VAE）用于生成SMILES字符串，然后将其转换为分子。使用SMILES的一个主要问题是，尽管相应的SMILES几乎相似，但它们对SMILES的细微变化并不稳健，从而导致分子截然不同。这些问题促使最近的研究依靠分子的更具表现力的图形表示。因此，这个问题被称为 分子图生成。
文章来源: drugai.blog.csdn.net，作者：DrugAI，版权归原作者所有，如需转载，请联系作者。
原文链接：drugai.blog.csdn.net/article/details/103178960
【版权声明】本文为华为云社区用户转载文章，如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
作者其他文章
评论（0）