AspirinCode/papers-for-molecular-design-using-DL

这是什么？

这个 GitHub 项目是一个精选论文列表——它不是可运行的软件，而是一个阅读索引。它收集并整理了关于使用生成式 AI 和深度学习进行分子设计的研究论文，特别侧重于药物发现和分子形状预测（称为“构象生成”）。

它涵盖了什么？

该列表分为几个主要主题：

• 分子与药物设计 — 关于生成可能成为候选药物的新分子的论文。
• 分子构象生成 — 预测分子折叠成的 3D 形状，这对分子的行为至关重要。
• 药物相似性指标 — 包含 QED（衡量分子“药物相似性”的指标）和 SAscore（合成难度）等评分工具的章节。
• 深度学习方法 — 按技术分组的论文：RNN、Transformer、生成对抗网络 (GAN)、扩散模型、强化学习等。
• 材料设计 — 用于 AI 设计材料的章节，尽管目前表格为空（计划添加内容）。

它是如何组织的？

README 包含一个大型目录（“Menu”），链接到以下类别：

• 基于结构或基于片段的分子生成
• 文本驱动的生成（使用文本提示）
• 多靶点和基于配体的方法
• 量子和组学方法
• 基准测试和数据集列表
• 关于分子构象生成的子集合，具有其自己的方法分类（基于 VAE、基于 GAN、基于扩散等）

README 显示，每个类别都列出了论文标题、作者以及指向论文或期刊的链接。该项目还链接到一个单独的文件 (Molecular_Optimization.md)，用于分子优化工作。

值得注意的细节

• 状态：README 明确写着“Updating ...”——这是一个活跃增长的集合。
• 近期条目：综述部分包含了截至 2026 年的论文，显示其保持了时效性。
• 相关资源：“推荐与参考”部分指向了配套仓库，例如蛋白质构象对应仓库、生物医学领域 LLM 列表，以及生成式 AI 和基于几何的药物发现集合。

许可与贡献

• 采用 GPL 许可（有徽章标识）。
• 徽章显示 “contributions welcome”——维护者邀请他人提交补充内容。

它适合谁？

研究人员、学生或任何关注 AI 驱动药物设计这一快速发展领域的人。它是一个寻找相关论文的起点，按方法进行分组，而不是教程或代码库。