机构名称：
¥ 1.0
在人类与疾病的长期斗争中，药物发挥着越来越重要的作用。药物发现是识别潜在的新治疗实体的过程，而药物设计是基于对生物靶标的了解寻找新药物的过程，涉及分子的设计（Zhou and Zhong，2017）。药物发现和设计一直面临障碍，因为需要大量的人力、物力和财力。随着人工智能在图像处理、模式识别和自然语言处理等领域的成功（Xie et al.，2022），深度生成模型在药物发现领域引起了广泛关注，同时在分子设计优化领域也展现出良好的应用前景。当使用生成模型生成分子时，其实质是学习训练集中分子的分布，然后生成与训练集中分子相似但不同的分子。结合进化算法或强化学习，可以进一步优化生成分子的性质（Tong et al.，2021；Tan et al.，2022a）。生成模型中的分子表示可以有多种形式，包括简化的分子输入行输入系统（SMILES）、分子图等。生成模型大致可分为五类，包括循环神经网络（RNN）、自编码器（AE）、生成攻击网络（GAN）、Transformer和结合强化学习（RL）的生成模型（Bhisetti and Fang，2022），如图1A所示。其中基于文本序列的分子生成模型（SMILES）应用最为广泛。本文简单介绍基于最新的文本序列分子设计（SMILES）的深度生成模型的基本原理及应用，以便读者了解深度生成模型并将其更好地运用在药物分子设计中。
基于SMILES的分子生成模型在新药设计中的应用
主要关键词
相关文件推荐
