wufeil7的博客

FragGen 来源于 2024 年 3 月 25 日 预印本的文章，文章题目是 Deep Geometry Handling and Fragment-wise Molecular 3D Graph Generation， 作者是 Odin Zhang，侯廷军，浙江大学药学院。FragGen 是一个基于分子片段的 3D 分子生成模型。这是首个可靠的几何片段式分子生成方法。FragGen 在生成几何的质量和分子的合成可行性方面实现了重大突破，解决了分子生成算法应用中的这两个主要挑战。

MolSnapper 来源于牛津大学统计系的 Charlotte M. Deane 教授为通讯作者的文章：《MolSnapper: Conditioning Diffusion for Structure Based Drug Design》。MolSnapper，一种通过整合专家知识为 SBDD 进行条件化的扩散模型，以 MolDiff 作为基础，在不重新训练 MolDiff 的情况下，对 MolDiff 的生成过程添加药效团、原子位置和类型等限制，以达到生成的分子能符合特定口袋的药效团的目的。接近可用

GCDM 来源于美国密苏里大学电气工程与计算机科学系的研究助理 Alex Morehead 为通讯作者的文章：《Geometry-complete diffusion for 3D molecule generation and optimization》。该文章于 2024 年 7 月 3 日发表在 《 communications chemistry 》上。近来，扩散模型和等变图神经网络（GNNs）经常被用于生成三维分子。

IRDiff 是一个全新的基于蛋白质-配体相互作用的检索增强 3D 分子扩散模型，可以生成目标感知的分子。IRDiff 利用一组设计好的参考配体分子来引导扩散模型生成满足目标特性的分子。本文对 IRDiff 进行了评测，修正了GitHub上的代码错误，使用内置案例和自有案例对 IRDidd 进行分子生成测试，并检查生成结果。