一种结合VAE与Transformer的新型分子生成模型用于未见结构生成

近年来，利用深度学习进行分子生成在药物发现中得到了积极研究。在该领域，Transformer和VAE被广泛用作强大模型，但由于它们在结构和性能上的不匹配，很少被结合使用。本研究提出了一种模型，通过结构和参数优化来处理多样化的分子，将这两种模型结合起来。所提出的模型在生成分子方面表现出与现有模型相当的性能，并且在生成具有未见结构的分子方面表现出远优于现有模型的性能。该VAE模型的另一个优点是它从潜在表示生成分子，因此可以轻松预测或调节分子的性质，事实上，我们展示了该模型的潜在表示成功预测了分子性质。消融研究表明，VAE在生成新颖分子方面优于其他生成模型（如语言模型）。它还表明，潜在表示可以缩短到约32维变量而不损失重构能力，这表明可能存在比现有模型小得多的分子描述符或模型。本研究有望提供一个包含多种化合物的虚拟化学库，用于虚拟筛选，并实现高效筛选。