由于疾病呈现多样化和复杂化的趋势以及药物耐药性频出等问题,导致药物的需求日益增加。小分子药物由于很多优势是目前药物研发的重点。对于小分子药物的研发,一种策略是从已经上市的药物中寻找具有新特性的药物。这种方法在一定程度上可以节约研发时间和成本,但是可能达不到预期的效果。所以针对某种疾病,生成新的小分子药物是另外一种重要的策略。例如,目前新冠疫情（COVID-19）持续在全球范围内大流行,其高传染性和致病性严重威胁人民的生命健康。除了研发疫苗外,我们迫切需要找到有效的药物来治疗该疾病。但是传统的新药研发往往面临投入高、耗时长等问题。近年来,由于深度学习在很多领域表现出十分优异的效果,研究者们尝试将深度学习引入到分子生成领域来提高新药研发的效率,并且取得了很多的成果。然而,其中还面临很多的挑战。例如,大部分针对特定靶标的生成模型主要关注已知的阳性分子,从而产生类似的分子。但是这些已知阳性分子的衍生物很可能是无效的。考虑到化学合成和实验验证的成本,生成分子的低假阳性率非常重要。此外,生成的分子通常需要满足多个性质才可能达到预期效果,多目标优化是分子生成的另外一个难点。多目标优化的数据往往更少,这可能会严重影响深度学习模型的性能。针对以上面临的两个问题,本文的主要研究内容如下:1.提出基于不平衡数据集的分子生成方法:首先提出了一个新的生成器-过滤器-预测器的生成模型架构。整个架构使用迁移学习来优化生成分子性质。为了降低生成分子的假阳性率,利用不平衡的数据训练预测器模型,使模型学习大量负样本的知识。由于预测器的性能对于生成分子的质量十分重要,并且为了缓解不平衡数据集对模型性能的影响,对预测器设计了预训练-微调两阶段式的训练过程。为了验证上述提出方法的有效性,收集相关的数据集,进行了抗新冠病毒分子生成的实验。2.提出基于多目标优化的分子生成方法:针对多目标优化可能存在的小样本问题,首先提出一种基于图注意力机制的多任务模型,该模型能够同时高效地建模分子的多个性质。然后利用该多任务模型作为预测器,基于强化学习和子结构拼接两种不同的方法训练多目标优化的分子生成模型。进一步地,利用上述方法,进行了抗新冠病毒分子生成的多目标优化实验,旨在同时优化生成分子的两个性质。