全SMILES变分自编码器
机器学习
2019-06-04 v2 机器学习
摘要
定义在分子 SMILES 字符串和基于图的表示上的变分自编码器（VAEs）有望改进分子性质的优化，从而革新制药与材料工业。然而，这些 VAE 受限于 SMILES 字符串的非唯一性以及图卷积的计算代价。为了沿分子图中的所有路径高效传递消息，我们使用一组堆叠的循环神经网络对单个分子的多个 SMILES 字符串进行编码，在各 SMILES 表示之间池化每个原子的隐藏表示，并利用注意力池化构建最终的定长潜在表示。随后通过解码到该分子的一组不相交 SMILES 字符串，我们的全 SMILES VAE 学习到了分子与先验高概率质量子空间附近的潜在表示之间近乎双射的映射。我们基于分子但派生于 SMILES 的潜在表示在多种全监督和半监督性质回归及分子性质优化任务中显著超越了最先进水平。
引用
@article{arxiv.1905.13343,
title = {All SMILES Variational Autoencoder},
author = {Zaccary Alperstein and Artem Cherkasov and Jason Tyler Rolfe},
journal= {arXiv preprint arXiv:1905.13343},
year = {2019}
}
备注
Expanded acronym in title