GROMACS安装教程

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

D3FG 是一个在口袋中基于功能团的3D分子生成扩散模型。与通常分子生成模型直接生成分子坐标和原子类型不同，D3FG 将分子分解为两类组成部分：官能团和连接体，然后使用扩散生成模型学习这些组成部分的类型和几何分布。D3FG 在AIDD场景下的实际应用能力如何？本文进行了测评，包括：环境安装、分子生成、生成分子的对接和过滤、结果可视化展示、运行报错等。

TAGMoL 是一个基于分子属性条件引导扩散的 3D 分子生成模型，适合在给定靶标蛋白质的情况下，可以生成一系列满足目标特性（分子属性，binding affinity）的候选分子。本文想解析了此模型的代码，注重介绍了分子和蛋白的表征、扩散模型原理、梯度引导生成原理等。非常适合从事 AI 辅助药物设计的科研工作者和从业人员。

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。

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

GaUDI模型来自于以色列理工Tomer Weiss的2023年发表在预印本ChemRxiv上的工作 《Guided Diffusion for Inverse Molecular Design》。GaUDI是用于逆向分子设计的一个引导扩散模型，将分子生成过程使用性质预测的函数进行梯度引导去噪过程，更新 Zt-1 ，使 Zt-1更靠近我们期待的性质，无需重新训练生成模型，仍可生成特定属性的分子，例

TAGMoL 是一个基于分子属性条件引导扩散的3D分子生成模型，适合在给定靶标蛋白质的情况下，可以生成一系列满足目标特性（分子属性，binding affinity）的候选分子。。

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（GN

DynamicBind是上海交通大学郑双佳研究员和星药科技Lu wei等人于2024年2月5日发表在nature communication上的工作，题目为：DynamicBind: predicting ligand-specific protein-ligand complex structure with a deep equivariant generative model。本文对Dyna