.png){kind=icon}
返回
MGDM: Molecular generation using a multinomial diffusion model
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ymeth.2025.03.001.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确分析分子结构以及快速生成有效分子仍是De Novo药物设计中的重大挑战。本研究中，我们提出了一种用于分子生成的多项生成扩散模型（MGDM）。该模型利用多项式扩散框架处理离散数据，重点学习数据集中固有的多项式分布。在生成过程中，模型逐步对分子进行去噪，从均匀噪声分布过渡，最终生成有效的分子结构。首先，我们无条件生成分子以扩展化合物库。在下一阶段，我们专注于生成具有特定性质的分子，以评估模型的条件生成能力。为此，我们实施了一种无分类器引导策略，该策略无需训练单独的分类器模型即可指导扩散模型的任务。为验证我们框架的有效性，我们使用Molecular Sets（MOSES）数据集进行了实验。结果表明，与几种最先进的方法相比，MGDM在生成有效分子的同时，在新颖性和多样性方面实现了更优或相当的性能。
Keyword:
Molecular generation
Multinomial diffusion
Denoise
Gumbel-Max sampling
Kullback-Leibler divergence
期刊
IF:
4.3
论文数:
4.9K
被引数:
2.4W
机构
引用论文
Molecular generative model based on conditional variational autoencoder for de novo molecular design
OAAI
.png){kind=icon}
OAAI分享收藏分享收藏Multi-constraint molecular generation based on conditional transformer, knowledge distillation and reinforcement learning基于条件变换器、知识蒸馏和强化学习的多约束分子生成
PREAI
分享收藏SMILES, a chemical language and information system. 1. Introduction to methodology and encoding rules微笑，一种化学语言和信息系统。1.介绍方法和编码规则
PREAI
分享收藏
查看更多内容