腾讯云
开发者社区
文档
建议反馈
控制台
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
搜索
搜索
关闭
发布
登录/注册
首页
学习
活动
专区
工具
TVP
最新优惠活动
返回腾讯云官网
DrugAI
关注人工智能与化学、生物、药学和医学的交叉领域进展,提供“原创、专业、实例”的解读分享。
专栏作者
举报
1050
文章
642098
阅读量
112
订阅数
订阅专栏
申请加入专栏
全部文章
深度学习
人工智能
机器学习
神经网络
模型
数据
编程算法
nat
数据库
设计
性能
网络安全
测试
https
sql
学习方法
开发
NLP 服务
数据分析
工具
优化
算法
知识图谱
腾讯云测试服务
网络
图像处理
model
编码
系统
python
监督学习
框架
迁移学习
论文
医疗
强化学习
数据结构
研发
开源
函数
methods
na
工作
生物基因
大数据
cell
搜索
效率
数据挖掘
架构
linux
tcp/ip
机器人
变量
基础
迁移
翻译
html
http
卷积神经网络
数据集成
量化
c++
自动化
安全
graph
集合
实践
异常
github
pytorch
anaconda
编译
可视化
连接
git
api
网站
存储
es
图像分析
bioinformatics
chatgpt
pdb
prediction
队列
软件
统计
字符串
c#
css
apache
babel.js
图像识别
无监督学习
数据处理
腾讯云开发者社区
特征工程
gpt
tm
部署
代理
行业
解决方案
开发者
排序
事件
自然语言处理
深度学习框架
其他
区块链
tensorflow
node.js
android
ide
SSL 证书
分布式
正则表达式
云计算
虚拟化
聚类算法
jupyter notebook
联邦学习
binding
mean
models
network
precision
python3
sequence
structure
产品
程序
工作流
配置
通信
协议
语法
对象存储
人脸识别
数字货币
java
c 语言
perl
javascript
go
.net
r 语言
react
xml
jquery
硬件开发
composer
postgresql
access
ruby on rails
打包
搜索引擎
中文分词
delphi
文件存储
NAT 网关
腾讯优评
文智公众趋势分析
双螺旋
企业
云联网
游戏
缓存
shell
gui
yum
numpy
面向对象编程
dns
推荐系统
决策树
asp
keras
kernel
scikit-learn
processing
云数据库 postgresql
信息流
分类算法
emr
教育
alexa
alpha
amp
anchor
anova
backbone
bi
binary
block
cs
dataset
db
db2
dot
draw
e2e
embedding
epoch
fold
free
gan
gdi
geo
ggplot2
global
gpu
graphics
hidden
import
input
ipython
it
key
linker
local
max
message
meta
metrics
module
move
nlp
ole
output
package
pdf
predict
relationship
search
sh
shapely
target
tensor
tfs
theory
token
transfer
translation
using
validation
view
viewer
web
word2vec
workflow
wrapper
zero
笔记
表格
服务器
工程师
管理
互联网
继承
集群
计算机视觉
进程
跨域
量子计算
模块化
生命周期
数据存储
数据恢复
图表
压缩
原理
终端
自动化机器学习
量子计算机
深度强化学习
搜索文章
搜索
搜索
关闭
J. Chem. Inf. Model. | 双重驱动的深度强化学习用于靶标特异性分子生成
强化学习
迁移学习
model
模型
深度强化学习
今天为大家介绍的是来自 Hao Liu和 Liang Hong团队的一篇论文。基于深度学习的分子生成模型在新药设计领域引起了广泛关注。然而,大多数现有模型专注于基于配体或基于结构的策略之一,因此未能有效利用从配体和结合靶点的结构两方面获得的综合知识。在文章中,作者介绍了LS-MolGen,一种新颖的配体和结构整合型分子生成模型。该模型协同地结合了表示学习、迁移学习和强化学习。来自迁移学习的有针对性知识吸收,再加上强化学习中的高级探索策略,使LS-MolGen能够高效生成新颖且高亲和力的分子。
DrugAI
2023-11-06
349
0
Brief. Bioinform. | 强化学习驱动PROTAC linker的3D生成
强化学习
linker
模型
算法
优化
今天为大家介绍的是来自广州国家实验室陈红明团队发在Briefings in Bioinformatics上的一篇论文“3D based generative PROTAC linker design with reinforcement learning”[1]。PROTAC 全称为 proteolysis-targeting chimeras (蛋白水解靶向嵌合分子),是一种杂合双功能小分子化合物,由三部分组成:靶蛋白配体(warhead)、连接子 Linker、和 E3 连接酶配体(E3-ligand),结构中两个配体之间通过 linker 相连,从而形成“三体”复合物(PTS):warhead-Linker-E3-ligand。它通过将靶蛋白和细胞内的 E3 泛素连接酶的距离拉近,利用泛素-蛋白酶体途径特异性地降解靶蛋白。由于PROTAC相对较大的分子量,以及维持其在蛋白口袋中结合模式的复杂性,合理的设计多样性的linker极具挑战性。已有的PROATC的linker生成方法只能生成1D或2D的linker,并没有考虑该linker对三元复合物PTS的影响,无法衡量其在PTS内的合理性。本文提出了一种新的3D的Linker生成模型PROTAC-INVENT,该模型不仅可以生成PROTAC的2D结构,还可以生成PROTAC与靶蛋白和E3连接酶的三维推定结合构象PTS。该模型在强化学习(RL)框架下训练,使PROTAC结构的生成偏向于预定义的2D和3D属性。并通过实例验证了该模型在生成合理的PROTAC三维构象方面的实用性。另一方面,该算法的工作流也可以作为专门针对PROTAC的对接协议。
DrugAI
2023-10-24
167
0
基于分解和重组的分子图的生成方法
强化学习
模型
数据
搜索
优化
今天为大家介绍的是来自Masatsugu Yamada 和 Mahito Sugiyama的一篇关于分子生成的论文。在药物发现和材料设计中,设计具有所需化学性质的分子结构是一项重要任务。然而,由于候选分子空间的组合爆炸,找到具有优化所需性质的分子仍然是一项具有挑战性的任务。在这里,作者提出了一种全新的基于分解和重组的方法,该方法不包括任何在隐藏空间中的优化,并且生成过程具有高度的可解释性。该方法是一个两步过程:在第一步的分解阶段,对分子数据库应用频繁子图挖掘,以收集较小规模的子图作为分子的构建模块。在第二步的重组阶段,通过强化学习引导搜索理想的构建模块,并将它们组合起来生成新的分子。实验证明,作者方法不仅可以在惩罚性log P和药物相似度这两个标准指标下找到更好的分子,还可以生成显示有效中间分子的药物分子。
DrugAI
2023-09-19
181
0
ClinicalGPT 来袭! 医学考试与诊断通通搞定
医疗
强化学习
测试
模型
数据
今天我们介绍由北京邮电大学网络和交换技术国家重点实验室的王光宇等学者发表在arXiv上的工作,该工作提出ClinicalGPT,一个明确为临床场景设计和优化的语言模型。通过在培训过程中整合广泛和多样化的真实世界数据,如医疗记录、特定领域知识和多轮对话咨询,ClinicalGPT可以更好地处理多种临床任务。此外,该工作还引入了一个综合评估框架,包括医学知识问答、医学检查、患者咨询和医疗记录的诊断分析。结果表明,ClinicalGPT在这些任务中的表现明显优于其他模型,突出了ClinicalGPT在将大型语言模型适应医疗保健关键领域方面的有效性。
DrugAI
2023-09-19
298
0
SQL:基于结构化Q学习的抗体设计
强化学习
编程算法
学习方法
sql
今天给大家介绍的是华为发表在 arxiv 上的预印本《Structured Q-learning For Antibody Design》。作者将用于组合优化的结构先验融入进 Q 学习中,提出了结构化 Q 学习 (SQL),这是一种 Q 学习的扩展。经过分子对接模拟器的测试,作者证明 SQL 可以找到具有高结合能的序列,并在八项具有挑战性的抗体设计任务(包括为 SARS-COV 设计抗体)上优于基线。
DrugAI
2022-11-28
288
0
使用图生成多任务模型缩小基于靶标和基于细胞的药物发现之间的差异
深度学习
强化学习
本文介绍的是由中国科学院深圳先进技术研究所的Fan Hu、Dongqi Wang等人发表在arXiv上的预印文章《Bridging the gap between target-based and cell-based drug discovery with a graph generative multi-task model》。作者提出了一种基于图的多任务深度学习模型(MATIC)来识别同时具有靶标抑制和细胞活性的化合物。在SARS-CoV-2 数据集上,MATIC模型比传统方法在筛选体内有效化合物方面更具优势。作者探索了模型的可解释性,发现靶标抑制(体外)或细胞活性(体内)任务学习的特征与分子性质相关性和原子功能存在差异。基于这些发现,作者利用基于蒙特卡洛算法的强化学习模型生成具有体外和体内功效的新型多属性化合物。
DrugAI
2022-11-28
371
0
KDD 2022 | MolSearch: 基于搜索的多目标分子生成和性质优化
机器学习
深度学习
强化学习
神经网络
人工智能
今天介绍一篇由密歇根州立大学Mengying Sun等人于2022年8月在线发表在KDD上的文章。本文基于搜索的方法提出了一个简单而有效的框架,称为MolSearch,用于多目标生成和优化。作者声称,在适当的设计和足够的领域信息的情况下,基于搜索的方法可以实现与深度学习相当甚至更好的性能,同时具有计算效率。
DrugAI
2022-11-28
303
0
Nat. Mach. Intel. | 通过课程学习方法优化分子从头设计模型
深度学习
强化学习
本文介绍由瑞典分子人工智能研究所的Atanas Patronov团队发表在Nature Machine Intelligence的研究成果。作者将课程学习应用于药物发现中。在全新的设计平台中实现课程学习(CL),并将其应用于不同复杂性的分子设计问题中。结果表明,与标准的基于策略的强化学习相比,课程学习能够加速学习效率和优化模型输出的质量。
DrugAI
2022-11-28
166
0
CELLS:潜在空间中目标定向分子生成的成本效益进化
强化学习
编程算法
本文介绍百度公司Zhiyuan Chen,Xiaomin Fang等人的研究成果:在寻找满足各种性质要求的分子时,由于无法搜索整个化学空间,近年来的研究都采用目标定向分子生成模型,倾向于利用迭代过程优化分子生成模型的参数。然而,大多数工作需要大量昂贵和耗时的评估过程,为了减少迭代过程中的评估,本文作者提出了一种具有成本效益的潜在空间进化策略——Cost-efficient evolution in latent space(CELLS),优化分子的潜在表示向量,采用一个预训练的分子生成模型来映射潜在和观察空间,利用大规模的未标记分子学习化学知识。为了进一步减少评估的数量,作者引入了一个预筛选器作为评估的代理。经过多个优化任务上的大量实验,所提出的框架在较少的评估下获得了更好的性能。
DrugAI
2022-03-25
295
0
Nat. Mach. Intell. | 针对多目标优化的分子生成新方法MCMG
神经网络
机器学习
深度学习
人工智能
强化学习
今天给大家介绍一篇来自浙江大学侯廷军教授课题组、武汉大学陈曦教授课题组、中南大学曹东升教授课题组和腾讯量子实验室联合发表的一篇文章。该文章提出了多约束分子生成新方法MCMG,通过结合知识蒸馏(Knowledge Distillation)、条件 Transformer(c-Transformer)和强化学习(RL)来生成满足多个约束的分子。c-Transformer用于通过有效学习并将构效关系合并到有偏差的生成过程中来训练分子生成模型。知识蒸馏模型可降低模型的复杂性,便于通过 RL对其进行微调,并增强生成分子的结构多样性。实验证明,MCMG方法可以高效地遍历复杂的化学空间以寻找满足多种性质约束的新型化合物。
DrugAI
2021-10-22
886
0
从头设计的分子生成模型综述
编程算法
强化学习
深度学习
机器学习
神经网络
大家好,今天给大家介绍来自英国伦敦独角兽公司BenevolentAI的Meyers,Fabian和Brown近日发表在Drug Discovery Today上的综述论文。在该综述中,作者回顾了基于原子,基于片段,基于反应的三种范式的分子从头设计与生成的方法,同时对该领域的存在的挑战和机遇做出了阐述。
DrugAI
2021-07-05
1.4K
0
J Cheminform|使用具有自适应训练数据的GANs搜索新分子
深度学习
机器学习
强化学习
今天给大家介绍的是美国橡树岭国家实验室的Andrew E. Blanchard等人于2021.2.23发表在Journal of Cheminformatics上的文章Using GANs with adaptive training data to search for new molecules。药物发现的过程涉及到对所有可能的化合物的空间进行搜索,生成对抗网络(GAN)为探索化学空间和优化已知化合物提供了一个有力工具。然而,训练GANs的标准方法可能导致模式崩溃,其中生成器主要产生与训练数据的一小部分密切相关的样本。相反,寻找新化合物需要超越原始数据的探索。在本文中,作者提出了一种训练GANS的方法,它促进增量探索,并利用遗传算法的概念限制模式崩溃的影响。在此方法中,来自生成器的有效样本被用来替换来自训练数据的样本。在替换过程中,作者考虑随机和引导选择以及重组。通过跟踪训练过程中产生的新化合物的数量,结果表明,对训练数据的更新大大优于传统的方法,增加了GANs在药物发现中的潜在应用。
DrugAI
2021-03-18
679
0
FFPred-GAN:“以假乱真“—基于GAN创建合成特征样本改进蛋白质功能预测
深度学习
机器学习
强化学习
人工智能
神经网络
今天给大家介绍伦敦大学学院David T. Jones 教授课题组发表在Nature Machine Intelligence 的一篇文章。文章中指出,现存的蛋白质功能预测方法受限于训练样本量的瓶颈,为了解决这个问题,作者提出了一种新的基于生成对抗网络的方法FFPred-GAN。FFPred-GAN能够准确学习蛋白质序列的生物物理特征的高维分布,并生成高质量的合成蛋白质特征样本。实验结果表明,通过对原始训练蛋白质特征样本的扩充,合成蛋白质特征样本成功提高了基因本体论所有三个域的预测准确性。
DrugAI
2021-02-02
1K
0
ICML2020 | PGFS:如何保证生成分子是可合成的?强化学习来帮忙
深度学习
机器学习
强化学习
人工智能
神经网络
今天给大家介绍的是来自蒙特利尔算法研究所、克莱姆森大学等联合发表在ICML2020上的文章。在本文中,作者针对目前新型化学结构的生成方法不能确保所提出的分子结构的合成可及性,也不能提供所提出的小分子的合成路线这一问题,提出了一种用于新药设计的强化学习机制:正向合成的策略梯度,简称为PGFS。
DrugAI
2021-02-02
914
0
ICML | 有了RationaleRL,多目标分子设计不是难题!
深度学习
机器学习
人工智能
强化学习
神经网络
今天给大家介绍的是MIT的在读博士金汶功等人发表在ICML的一篇关于分子图生成的论文,作者利用每个分子特性所对应的子结构(官能团或者更大的结构),构建属于这个属性的子结构库,通过学习子结构来抵消由于多个属性约束所带来的复杂性旨在使分子同时拥有多种特性,最后利用图生成模型将其扩展到整个分子上,实验结果表明该模型具有目前最优的性能。
DrugAI
2021-02-02
938
0
Nat. Com. Sci. | 计算设计可合成分子
深度学习
强化学习
人工智能
神经网络
设计新分子有许多重要的应用,跨越不同的科学领域。例如,新药研发就是其中的一种应用,在这种应用中,可以创造新的分子来作用于疾病的潜在靶点。新分子也可以被设计成新材料,以应对科学界面临的各种技术挑战,包括可再生能源的开发和更高效电池的实施。
DrugAI
2021-02-01
373
0
没有更多了
社区活动
腾讯技术创作狂欢月
“码”上创作 21 天,分 10000 元奖品池!
立即发文
Python精品学习库
代码在线跑,知识轻松学
立即查看
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客,速成社区影响力并领取好礼
立即体验
技术创作特训营·精选知识专栏
往期视频·千货材料·成员作品 最新动态
立即查看
领券
问题归档
专栏文章
快讯文章归档
关键词归档
开发者手册归档
开发者手册 Section 归档