其他
CHEM SCI|基于约束贝叶斯优化,采用变分自编码器进行自动化学设计
一种现有的寻找特定指标最大化的分子的方法是搜索一个大型的化合物库,无论是物理的还是虚拟的。第二种方法是使用遗传算法。在这种方法中,一个已知的分子作为种子,在一个离散的分子空间中进行局部搜索。
尽管这些方法在产生生物活性化合物方面取得了成功,但在一个开放的、连续的空间进行搜索的方法将是有益的。使用几何线索,如梯度来指导连续空间的搜索,结合贝叶斯优化方法的进展,可以加速药物和材料的发现。
最近,G´omez-Bombarelli等人提出了自动化学设计,利用变分自编码器(VAE)结构编码连续表示分子。在连续的潜在空间中,基于梯度的优化可以找到最大化设计指标值的分子。但自动化学设计不能高比例的生成有效分子。作者推测这是由于贝叶斯优化选择的分子位于了VAE潜在空间的“死区域”中,在解码时产生了无效的结构。本文的工作旨在提出一种基于约束贝叶斯优化的方法,从而很高比例的生成有效分子结构,解决产生无效分子结构的问题。Constrained Bayesian optimization for automatic chemical design using variational autoencoders Crossref DOI link: https://doi.org/10.1039/C9SC04026A----------- End -----------
感兴趣的读者,可以添加小邦微信(zhiyaobang2020)加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位 或姓名-学校-职务/研究方向。
浙江工业大学智能制药研究院段宏亮教授:AI制药的现状、技术与挑战
Nat Commun|增强的用于直接合成和单步逆合成的NLP的Transfermer模型
Nat Commun|AI结合基因表达特征,从头生成类苗头化合物
浙工大智能制药研究院院长段宏亮|AI制药方兴未艾,未来可期
CHEM SCI|分子Transformer模型预测酶促反应
Transformer-CNN:用于 QSAR 建模和解释的先进工具
基于文本表示推断化学反应的实验步骤
基于AI的连续流反馈系统加速化学反应开发
使用数据驱动的分子连续表示进行自动化学设计
图卷积神经网络用于解决小规模反应预测
数据增强和迁移学习策略解决小数据集化学反应预测问题
Drug Discov Today|药物研发风险地图