'''by wufeil进一步认识分子特征化:将化学分子结构作为到随机森林\CNN\RNN\GNN等机器学习模型的输入如何将一个分子SMile表示的分子输入到机器学习/深度学习中呢？例如：CH3CH3CH3这里将进行介绍。使用机器学习处理分子数据最重要的一步就是将分子转换成机器学习算法可以处理的数据格式。deepchem特征化分子的方法为Featurizer类。有三种方式的特征化分子：(1) 直接

Drug-AIGC真的要来了。分子生成和分子设计领域有了stable diffusion模型。GEOLDM的全称是Geometric Latent Diffusion Models，几何隐式扩散模型。与stable diffusion 一样，GEOLDM 是分子几何领域的第一个隐式扩散模型（简称：DM），由将结构编码为连续隐式向量的自动编码器和在隐式空间中运行的扩散模型组成。 文章的关键创新在于，

'''by wufeildeepchem教程2Tutorial 2: Working With Datasetsdeepchem内置数据集及其简单建模'''import deepchem as dcprint(dc.__version__)'''加载seepchem内置数据'''tasks, datasets, transformers = dc.molnet.load_delaney(featu

SPMM 是 Structure-Property Multi-Modal foundation model 的简称，一种多模态分子性质-结构双向预训练模型。

ShEPhERD 是一种基于去噪扩散概率模型 (DDPM) 的SE3等变扩散模型，其独特之处在于它主要联合建模 3D 分子图结构及其形状、静电势 (ESP) 表面和药效团等相互作用特征，而无需显式编码蛋白质口袋的信息。该模型能够学习和生成具有特定相互作用特征的分子，可以满足骨架跃迁、电子等排体合并的分子设计任务。本文以GitHub体系以及自定义体系3WZE 对 ShEPhERD 进行了详细的测试，

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。

PoseBusters 是一个基于 RDKit 的 Python 包，通过一系列标准检查配体对接姿势的化学有效性和物理合理性。来源于牛津大学统计学系 Martin Buttenschoen、Garrett M. Morris 和 Charlotte M. Deane 合作的文章：《PoseBusters: AI-based docking methods fail to generate phys

本文是AutoFragDiff模型的测评文章。传统的，基于口袋的3D分子生成网络的常用方法是自回归模式，模型放置原子和原子键是迭代的，逐个进行。但是这种方式会导致误差的积累，同时生成速度较慢，生成苯环分子也需要6个步骤。而使用基于分子片段的自回归方法可以避免这个问题。作者使用使用几何矢量感知器和自回归扩散模型 Autoregressive Diffusion Models (ARDMs)，以自回归

KGDiff模型是一个基于口袋的知识引导的3D分子生成的扩散模型。基于口袋的分子生成模型之前有介绍过targetdiff，FLAG等。其中，KGDiff与TargetDiff类似，KGDiff模型也是一个扩散模型，应针对的是口袋条件下的3D分子生成。KGDiff的创新点在于：KGDiff模型利用领域知识，例如，vina score，指引分子生成过程中的去噪过程，可生成高结合力的分子。此外，KGDi

作者提出了对原子和分子键同时进行概率采样的扩散模型MolDiff。MolDiff基于SE3等变神经网络，同时进行原子和化学键的消息传递。