Repurformer：用于可重复利用的分子生成的Transformer

通过深度生成模型，尽可能生成具有所需性质的多样化分子是药物发现研究中的关键挑战。尽管近期在变分自编码器（VAEs）、生成对抗网络（GANs）、Transformer和扩散模型等方法方面取得了显著进展，但一个称为\textit{样本偏差问题}的显著挑战仍然存在。这一问题表现为：针对同一蛋白生成的分子倾向于结构相似，从而降低生成的多样性。为解决这一问题，我们提出了利用蛋白质与化合物之间多跳关系的做法。我们的模型Repurformer集成了双向预训练、快速傅里叶变换（FFT）和低通滤波（LPF），以捕捉复杂的相互作用并生成多样化的分子。在BindingDB数据集上的一系列实验确认，Repurformer成功创建了锚定化合物的替代品，这些替代品类似于正向化合物，增加了锚定化合物与生成化合物之间的多样性。