对抗学习分子图推断与生成
机器学习
2021-03-02 v2 机器学习
摘要
近期用于生成新分子的方法使用分子的图表示，并采用多种形式的图卷积神经网络进行推断。然而，训练需要解决昂贵的图同构问题，先前的方法未解决或仅近似解决该问题。在本工作中，我们提出 ALMGIG，一种免似然的对抗学习框架，用于推断与从头分子生成，其避免显式计算重构损失。我们的方法通过包含对抗循环一致性损失来隐式强制重构属性，从而扩展生成对抗网络。为捕获分子特有的属性（如价键），我们将图同构网络扩展到多重图。为量化模型性能，我们提出用 1-Wasserstein 距离计算物理化学属性分布间的距离。我们证明 ALMGIG 比所有基线更准确地学习分子空间上的分布。此外，它可通过利用分子的连续潜在表示高效搜索分子空间，用于药物发现。我们的代码可在 https://github.com/ai-med/almgig 获取。
引用
@article{arxiv.1905.10310,
title = {Adversarial Learned Molecular Graph Inference and Generation},
author = {Sebastian Pölsterl and Christian Wachinger},
journal= {arXiv preprint arXiv:1905.10310},
year = {2021}
}
备注
Accepted at The European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD); Code at https://github.com/ai-med/almgig