用拓扑数据分析表示增强分子深度生成模型
化学物理
2022-02-17 v2 机器学习
代数拓扑
摘要
深度生成模型已成为学习有用分子表示和设计具有所需性质的新分子的有力工具，在药物发现和材料设计中有应用。然而，大多数现有深度生成模型因缺乏空间信息而受限。在此我们提出用拓扑数据分析（TDA）表示（称为持续图像）增强深度生成模型，以鲁棒编码 3D 分子几何。我们表明，基于字符的变分自编码器（VAE）的 TDA 增强在精确建模 QM9 基准的结构组成方面优于最先进的生成神经网络。生成的分子有效、新颖且多样，同时表现出独特的电子性质分布，即具有小 HOMO-LUMO 能隙的更高样本群体。这些结果表明 TDA 特征确实为学习抽象结构提供了关键几何信号，这对于在字符串、图或 3D 点集上运行的现有生成模型而言是非平凡的。
引用
@article{arxiv.2106.04464,
title = {Augmenting Molecular Deep Generative Models with Topological Data Analysis Representations},
author = {Yair Schiff and Vijil Chenthamarakshan and Samuel Hoffman and Karthikeyan Natesan Ramamurthy and Payel Das},
journal= {arXiv preprint arXiv:2106.04464},
year = {2022}
}
备注
Accepted to ICASSP, 2022