摘要
生成式药物设计已成为制药研究中的变革性方法，利用深度学习模型创建具有靶向特性的新型分子。本系统综述从三个关键维度分析了当前计算方法的格局：分子表示策略（一维、二维和三维）、生成架构框架（包括变分自编码器、生成对抗网络、强化学习系统和扩散模型）以及评估方法学。我们对这些方法进行了全面分类，批判性评估其相对优势与局限性。此外，我们考察了驱动该领域发展的数据集及用于评估模型性能的指标。通过对这些相互关联组件的结构化分析，我们识别出重大研究缺口并提出了推进AI驱动药物发现的未来方向。本综述为研究者提供了理解计算药物设计中表示选择、生成机制与评估范式复杂交互的统一框架。
关键词
扩散模型
生成式药物设计
生成模型
变分自编码器
去噪扩散模型
缩写列表
AAE：对抗自编码器
ALERTS：不良亚结构警告计数
AROM：芳香环数量
CVAE：条件变分自编码器
DCGAN：深度卷积生成对抗网络
DFPM：去噪扩散概率模型
DFT：密度泛函理论
FCD：弗雷歇化学网络距离
GAN：生成对抗网络
GCPN：图卷积策略网络
GDPO：图扩散策略优化
GPTs：生成式预训练变换器
GraphMVP：图多视角预训练
GT：生成变换器
HBA：氢键受体数
HBD：氢键供体数
HVAE：分层变分自编码器
InChI：IUPAC国际化学标识符
IWAE：重要性加权自编码器
L-Net：配体神经网络
logP：亲脂性
LSTM-GAN：长短期记忆生成对抗网络
MAE：平均绝对误差
MCTS：蒙特卡洛树搜索
MDM：分子扩散模型
MSTG：分子亚结构树生成模型
MW：分子量
NA：原子数量
NLP：自然语言处理
NPR：归一化主比率
NSPDK：邻域子图成对距离核
PAINS：广谱干扰化合物
PDB：蛋白质数据库
pIC50：半数抑制浓度的负对数
PSA：极性表面积
QEPPI：蛋白质-蛋白质相互作用定量评估
QGAN-HG：混合生成器量子GAN
RMSD：均方根偏差
RNN：循环神经网络
ROTB：可旋转键数量
SASA：溶剂可及表面积
SAscore：合成可及性评分
Scaff：支架相似性
SDE：随机微分方程
SELFIES：自引用嵌入字符串
SMILES：简化分子线性输入系统
SNN：最近邻相似度
TPSA：拓扑极性表面积
VAE：变分自编码器
VGAE：变分图自编码器
意义陈述
近年来，生成式药物设计方法日益受到重视。通过利用人工智能生成新型药物候选物，研究人员能够更快速高效地识别潜在开发对象。该技术有望彻底革新药物发现与研发流程，为多种疾病提供更优疗法。尽管已有诸多综述文章尝试分类讨论相关方法，但本研究具有独特价值：首先，基于药物表示类型对方法进行系统归类；其次，在每种类别下按生成模型类型进一步细分，揭示了特定药物表示与生成模型的适配关系；同时深入剖析了各方法的优劣势。此外，本研究详细考察了核心数据集与评估指标，为领域发展提供了关键洞见。
【全文结束】
