分子生成是人工智慧的一個重要領域，對小分子藥物開發影響深遠。現有方法在某些設計上表現不佳，因此我們提出了FU-SMILES框架，透過片段簡化分子輸入，並推出了FragGPT這個通用分子生成模型。FragGPT在大型數據集上預訓練，能高效生成新分子、連接子設計等，並結合條件生成和強化學習技術，確保生成的分子符合生物學和物理化學標準。實驗結果顯示，FragGPT在生成創新結構的分子方面表現優異，超越現有模型，並在藥物設計中得到驗證。 PubMed DOI

小分子的設計對於藥物發現和能源儲存等技術應用非常重要。隨著合成化學的發展，科學界開始利用數據驅動和機器學習方法來探索設計空間。雖然生成式機器學習在分子設計上有潛力，但訓練過程複雜，且生成有效分子不易。研究顯示，預訓練的大型語言模型（LLMs）如Claude 3 Opus能根據自然語言指示創建和修改分子，達到97%的有效生成率。這些發現顯示LLMs在分子設計上具備強大潛力。 PubMed DOI

大型語言模型（LLMs）在藥物傳遞材料設計中展現潛力。我們使用Hugging Face的Transformers套件，透過BigBird、Gemma和GPT NeoX等架構進行預訓練和微調，並結合化學家的指導進行優化。研究結果顯示，整合化學見解對於提升模型性能至關重要。我們設計了光響應藥物傳遞分子，並探討了人類反饋在強化學習中的角色。最終，我們建立了一個高效的設計流程，但缺乏專門數據集仍是挑戰。 PubMed DOI

3DSMILES-GPT是一個創新的框架，專門用來生成三維（3D）分子，目的是提升藥物發現的效率。傳統方法常常產生無效的分子，且生成時間較長。相對之下，3DSMILES-GPT透過標記方式，將2D和3D分子視為語言來處理。經過大規模數據集的預訓練和微調後，該模型在結合親和力、藥物相似性（QED）和合成可及性評分（SAS）等指標上表現優異，生成速度也快，每個分子僅需約0.45秒，顯示出其在藥物發現中的巨大潛力。 PubMed DOI

最近大型語言模型（LLMs）在藥物發現中的應用引起關注，特別是在分子優化方面。大多數現有方法未能納入專家反饋，缺乏迭代和經驗性特徵。為了解決這個問題，我們推出了DrugAssist，一個透過人機對話增強分子優化的互動模型。DrugAssist在優化多個性質上表現優異，顯示出其可轉移性和改進潛力。此外，我們還發布了'MolOpt-Instructions'數據集，以促進語言模型的微調。相關代碼和數據集可在 https://github.com/blazerye/DrugAssist 獲得，支持未來的研究。 PubMed DOI

最近，人工智慧在分子設計上有了新進展，讓合成化學家能更輕鬆地創造特定功能的分子。雖然已有多款AI分子生成器，但使用這些工具仍需專業知識。為了解決這個問題，我們開發了ChatChemTS，一個基於大型語言模型的聊天機器人，透過簡單對話幫助設計新分子，並自動生成獎勵函數。我們的研究展示了它在設計色素和抗癌藥物方面的能力。ChatChemTS已開源，並可在GitHub上獲得，網址是 https://github.com/molecule-generator-collection/ChatChemTS。這項技術讓更多人能輕鬆使用AI進行分子設計。 PubMed DOI

傳統藥物設計又慢又容易失敗，深度學習模型像DrugGPT雖然能產生新分子，但常常沒用。DrugGen是改良版，結合真實資料和優化技術，能產生100%有效分子，預測和多樣性都更好。測試證明它有效，還能幫助藥物再利用和新藥設計，大大提升藥物開發效率。 PubMed DOI

作者提出TSMMG大型語言模型，能根據自然語言描述的多重性質限制，生成全新分子。TSMMG向多個專家模型學習，可同時滿足多種性質要求，分子有效率超過99%，成功率高。它也能應對沒見過的性質組合和不同語言提示，對藥物開發等領域很有幫助。 PubMed DOI

作者提出 ChemLML 這個輕量級方法，把現有的文字和分子模型結合起來，能直接從文字描述產生新分子，不用從零訓練模型，省下不少算力。分子表示法選擇很重要，SMILES 通常比 SELFIES 表現更好。作者也討論資料集問題，並證明 ChemLML 在藥物分子生成和評估上很有成效。 PubMed

作者介紹 SynLlama，一款專為小分子藥物合成路徑設計的 Llama3 微調模型。它能用常見原料和穩定反應模板，規劃出實用的合成步驟。SynLlama 資料需求低，對新原料也能應用，生成類似物和 hit expansion 表現都很優秀，是藥物化學家的實用工具。 PubMed