药物发现中的SMILES到药物动力学扩散模型与深度分子理解
原文中文,约300字,阅读约需1分钟。发表于: 。本研究解决了药物发现AI面临的数据重叠稀疏问题,通过提出Imagand这一新型SMILES到药物动力学扩散模型,有效生成与SMILES输入条件相关联的药物动力学目标属性。研究表明,Imagand生成的合成数据与真实数据的分布高度相似,显著提升了后续任务的表现,为药物发现研究中的配体药动学数据生成提供了高效解决方案。
人工智能在药物研发中应用广泛。研究人员提出了一种新的数据挑战,即数据集缺乏重叠部分,导致数据稀疏。他们提出了一种新颖的神经网络模型Syngand,可以生成配体和药物动力学数据。该模型在下游回归任务上展示了初步有效结果。研究人员可以使用该模型轻松生成合成配体数据,帮助他们探索涉及多个数据集的研究问题。