Diffusion Models in $\textit{De Novo}$ Drug Design

扩散模型已经成为分子生成的强大工具，特别是在三维分子结构的背景下。这些模型受非平衡统计物理的启发，可以生成具有药物发现关键特性或要求的三维分子结构。扩散模型在通过正向和反向扩散过程学习三维分子几何复杂概率分布及其相应的化学和物理性质方面特别成功。本文重点介绍了针对三维分子生成量身定制的扩散模型的技术实现。它比较了用于分子生成任务的各种扩散模型的性能、评估方法和实现细节。我们涵盖了原子和键表示的策略、反向扩散去噪网络的体系结构以及生成稳定三维分子结构所面临的挑战。本文还探讨了扩散模型在$\textit{de novo}$药物设计和计算化学相关领域的应用，如基于结构的药物设计，包括针对特定靶点的分子生成、分子对接和蛋白质-配体复合物的分子动力学。我们还涵盖了基于物理性质的条件生成、构象生成和基于片段的药物设计。通过总结三维分子生成的最新扩散模型，本文揭示了它们在推进药物发现方面的作用以及它们目前的局限性。

本文旨在介绍针对3D分子生成的扩散模型，以解决药物发现中的分子生成问题。同时，本文也探讨了如何使用这些模型进行条件生成、构象生成和基于片段的药物设计等任务。

本文提出了一种基于扩散过程的生成模型，通过正向和反向扩散过程学习3D分子几何结构的复杂概率分布，并成功生成了稳定的3D分子结构。此外，本文还探讨了分子表示、反向扩散去噪网络的架构以及生成稳定3D分子结构的挑战。

本文比较了不同扩散模型在分子生成任务中的性能、评估方法和实现细节，并探讨了扩散模型在药物设计中的应用。实验使用了多个数据集，并提供了开源代码。本文还探讨了条件生成、构象生成和基于片段的药物设计等任务，为进一步研究提供了新思路。

最近的相关研究包括：《Graph Convolutional Policy Network for Goal-Directed Molecular Graph Generation》、《Mol-CycleGAN: Generative Models for Molecular Optimization with Cycle-Consistent Constraints》、《Neural Message Passing for Quantum Chemistry》等。