Generative AI Models for Drug Discovery：有关药物分子生成的深度学习模型（综述类文章）| RNN, VAE, GAN, 强化学习RL_深度学习分子生成

1 Introduction

（1）背景
新药的研发既需要较长的时间，也需要较高的成本。于研究人员来说，在合理的时间内 从大量可合成化合物中 找到最有希望的 候选化合物 仍然是一个挑战。因此可以借助AI分子生成模型。
（2）目的
作者回顾了一些AI分子生成模型，并讨论每种模型的优缺点。同时，作者描述了如何将强化学习（RL）算法应用于生成式人工智能，以便在 更好地利用分布式硬件 的同时 获得更真实的效果。

2 分子生成的简单模型：RNN

（1）工作流

图为RNN分子生成模型的工作流：
①将分子转化为SMILES串；
②使用one-hot coding和embedding来处理字符串，把它们拼接起来；
③然后将它们输入到RNN模型中，得到SMILES串；（可理解为：RNN来预测要生成的下一个原子或者化学键是啥）
④最后将SMILES串变回分子。
在以上过程中学习模型参数，对某一部分进行改变即可得到新分子。
在此模型中，分子被视为序列串，生成分子的任务被转换为生成特殊序列。由于输入和输出都是序列，此类相关序列模型被称为“seq2seq”。

（2）缺点：

① SMILES串非唯一表示，相同的分子结构可以转换成许多SMILES串，如工作流图左下部分；

② seq2seq模型通常关注序列的顺序，因此对一些RNN分子生成模型，它们可能只学习SMILES语法规则，而不是分子结构的知识。

③SMILES串的目的是将分子结构压缩成一维字符串，而不是捕捉分子的相似性，因此具有相似化学结构的分子可以被编码成非常不同的SMILES字符串，如下图。

在这个图中&