基于单片段修饰的分子优化深度生成模型
机器学习
2022-01-17 v5 神经与进化计算
机器学习
摘要
分子优化是药物开发中通过化学修饰改善药物候选分子预期特性的关键步骤。我们开发了一种基于分子图的新型深度生成模型 Modof，用于分子优化。Modof 通过预测分子上的单个断开位点，并在该位点移除和/或添加片段来修饰给定分子。我们将由多个相同的 Modof 模型组成的流水线实现为 Modof-pipe，以在多个断开位点修饰输入分子。在此我们表明，Modof-pipe 能够保留主要分子骨架，允许对中间优化步骤进行控制，并更好地约束分子相似性。Modof-pipe 在基准数据集上优于 SOTA 方法：在没有分子相似性约束的情况下，Modof-pipe 在受合成可及性和环大小惩罚的辛醇-水分配系数上实现了 81.2% 的提升；如果优化后的分子与优化前的分子相似度分别至少为 0.2、0.4 和 0.6，则提升分别为 51.2%、25.6% 和 9.2%。Modof-pipe 进一步被增强为 Modof-pipem，以允许将一个分子修饰为多个优化后的分子。Modof-pipem 实现了额外的性能提升，比 Modof-pipe 至少高出 17.8%。
引用
@article{arxiv.2012.04231,
title = {A Deep Generative Model for Molecule Optimization via One Fragment Modification},
author = {Ziqi Chen and Martin Renqiang Min and Srinivasan Parthasarathy and Xia Ning},
journal= {arXiv preprint arXiv:2012.04231},
year = {2022}
}
备注
This paper has been accepted by Nature Machine Intelligence