SMILES
化学逆合成SOTA！上海交大团队提出SMILES对齐技术实现高效逆合成预测
编辑 | ScienceAI逆合成规划在药物研发中扮演着至关重要的角色，而单步逆合成预测更是这一过程的核心。通过运用Transformer等先进的序列模型，将单步逆合成预测问题转化为从产物SMILES表示到反应物SMILES表示的翻译任务，已经成为一种广泛采用且效果显著的策略。然而，这种方法往往忽略了一个关键点：在反应物和产物之间，存在大量可以被直接利用的相同子结构。对这些子结构利用的不充分限制了模型预测的效率和准确性。2024年7月，上海交通大学人工智能研究院金耀辉、许岩岩研究团队在《Journal of Che
分子100%有效，从头设计配体，湖南大学提出基于片段的分子表征框架
编辑 | KX分子描述符广泛应用于分子建模，但在 AI 辅助分子发现领域，缺乏自然适用、完整且「原始」的分子表征是一个挑战，影响 AI 模型的性能和可解释性。在使用先进的自然语言处理（NLP）方法解决化学问题时，会出现两个基本问题：（1）什么是「化学词」？（2）如何将它们编码为「化学句子」？近日，湖南大学研究团队提出了一种灵活的、基于片段的多尺度分子表征框架 t-SMILES 的框架来解决第二个问题。该框架使用 SMILES 类型的字符串描述分子，并且可以将基于序列的模型作为主要生成模型。t-SMILES 具有三种
优于SOTA方法，语言模型结合几何深度学习技术，望石智慧开发3D分子生成模型Lingo3DMol
编辑 | X分子生成是 AI 助力小分子新药研发的核心技术。望石智慧始终专注于分子生成技术的开发。就在前几天，望石智慧的研究团队推出了 Lingo3DMol，用于在给定口袋 3D 结构的情况下生成小分子配体的 3D 结构。方法结合了语言模型和几何深度学习技术。研究人员在传统的 SMILES 分子表征的基础上，开发了新的分子表示方法 FSMILES。此外，研究训练了一个单独的非共价相互作用预测器，为生成模型提供必要的结合模式信息。Lingo3DMol 可以有效地穿越类似药物的化学空间，防止异常结构的形成。Lingo
- 1