模型

LocalRetro 是一个使用局部反应模板进行逆合成预测的研究实现，提供模板提取、模型训练、测试以及解码预测反应物的工作流程。

逆合成

RxnMapper 利用无监督 ALBERT 模型的注意力机制，为有效的反应 SMILES 分配原子映射，并通过 Python 接口返回映射反应和置信度分数。

化学信息学 · 反应预测

DECIMER 使用 EfficientNet-V2 和 transformer 将化学结构图像转换为预测的 SMILES，并提供 Python 预测接口；此外还单独介绍了一种手绘结构模型。

化学结构识别

MolScribe 是一种图像到图模型，可将分子示意图转换为化学结构，并输出 SMILES 和 molfile，还可选择输出原子、键及置信度信息。

化学结构识别

TANKBind 是一种研究模型，用于预测蛋白质–配体结合结构和亲和力；其代码仓库提供用于预测、数据集准备、自对接评估和虚拟筛选的笔记本。

药物发现

EquiBind 是一种 SE(3)-等变模型，可直接根据蛋白质–配体结构预测受体结合位置和配体姿势，并提供推理与训练工作流。

药物发现

DiffDock 使用基于扩散的模型预测蛋白质–小分子结合构象，支持单个复合物和批量推理、基于序列的蛋白质输入，以及构象置信度评分。

药物发现

用于生成 3D 分子的 E(3) 等变扩散模型官方研究代码，包含 QM9 和 GEOM-Drugs 训练工作流、样本分析及性质条件生成。

分子生成

GeoDiff 是一种用于分子构象生成的几何扩散模型，提供官方代码，支持基于 GEOM 的训练、检查点采样，以及构象和性质评估。

分子生成 · 计算化学

GraphAF 是一种用于分子图生成的基于流的自回归模型，提供参考代码链接，README 更新还指向 TorchDrug 中的一个实现。

分子生成

JT-VAE 是 Junction Tree Variational Autoencoder 的官方实现，用于分子图生成，包含 VAE 训练代码，以及用于贝叶斯优化和联合训练性质预测器的脚本。

分子生成

MoFlow 是一种可逆分子图生成模型，文档介绍了用于 QM9 和 zinc250k 的训练、重构、潜空间采样、插值和性质优化工作流。

分子生成

MolGPT 使用 MOSES 和 Guacamol 数据集，通过下一词元预测训练一个小型自定义 GPT，用于无条件和有条件分子生成，并链接了训练后的权重和基于 Ecco 的显著性分析。

分子生成

ChemBERTa 提供用于化学 SMILES 的类 BERT 模型，包括采用 RoBERTa 掩码语言建模的检查点，以及用于预训练、微调和分子性质预测研究的笔记本。

分子性质预测

GraphMVP 是一种分子表示学习研究实现，在预训练期间结合 2D 拓扑和 3D 几何信息，随后在下游分类和回归任务中使用 2D 图。

分子性质预测

GROVER 提供预训练分子图 Transformer，以及用于自监督预训练、性质预测微调、推理、评估和分子指纹生成的 PyTorch 工作流。

分子性质预测

MolCLR 是一个分子对比学习框架，可在未标注分子上对图神经网络进行预训练，并支持针对下游分子性质预测进行微调。

分子性质预测

Uni-Mol 是一个 3D 分子表征学习框架，包含分子和蛋白质口袋模型，并配有用于性质预测、构象建模和分子对接的相关工具。

分子性质预测 · 分子生成

GemNet 是一个 PyTorch 参考实现，用于通过几何消息传递模型预测分子能量和原子受力，并提供训练、基于 ASE 的预测和分子动力学笔记本。

分子性质预测 · 计算化学

DimeNet 提供 DimeNet 和 DimeNet++ 的参考实现，用于分子图上的方向性消息传递，并包含训练笔记本、测试集预测工作流和预训练模型。

分子性质预测 · 量子化学