# 藥物發現

GP-MoLFormer是基於ZINC和PubChem中6.5億至11億分子SMILES字符串表示進行預訓練的化學語言模型，專注於分子生成任務。

基於Transformer架構的編碼器-解碼器模型，專為使用SELFIES進行分子表徵而設計

BARTSmiles是一個基於BART架構的生成式掩碼語言模型，專門用於分子表徵和SMILES字符串處理。

MoLFormer是基於ZINC和PubChem中11億分子SMILES字符串預訓練的化學語言模型，本版本使用兩個數據集各10%樣本訓練

基於分子語言SELFIES構建的大型分子生成模型，可用於從頭生成分子或補全部分分子結構。

這是一個在SMILES（簡化分子線性輸入系統）字符串上預訓練的雙向轉換器模型，主要用於分子相關任務。

該模型使用WGAN-GP和R-GCN架構生成新型分子圖結構，可加速藥物發現過程。

ChemGPT是基於GPT-Neo模型的生成式分子建模工具，專注於化學領域的分子生成與研究。

該模型是基於PubChem數據庫中1000萬SMILES字符串進行預訓練的化學信息學模型，主要用於分子表示學習和化學性質預測。

該模型是基於PubChem 77M數據集中的100萬SMILES訓練的RoBERTa模型，使用Smiles-Tokenizer工具進行分詞，適用於分子表示學習和化學信息處理任務。