辅助判别器序列生成对抗网络(ADSeqGAN)用于少样本分子生成
机器学习
2025-09-15 v2 人工智能
生物大分子
摘要
本文提出了辅助判别器序列生成对抗网络(ADSeqGAN)，一种用于小样本数据集中分子生成的新方法。传统生成模型在训练数据有限时常常难以胜任，尤其是在药物发现领域，针对特定治疗靶点的分子数据集(如核苷酸结合剂和中枢神经系统药物)往往稀缺。ADSeqGAN通过将一个辅助随机森林分类器集成到GAN框架中，显著提高了分子生成质量和类别特异性。该方法采用预训练生成器和Wasserstein距离以增强训练稳定性和多样性。我们在三个典型案例中评估了ADSeqGAN。首先，在针对核苷酸和蛋白结合的分子上，ADSeqGAN展现了优异的核苷酸结合分子生成能力。其次，通过过采样，显著提升了中枢神经系统药物的生成效果，产量远超传统de novo模型。第三，在设计 cannabinoid受体1型(CB1)配体时，ADSeqGAN生成了新颖的药物样分子，其中32.8%的预测活性优于CB1专注和通用图书馆的命中率，这些结果均通过针对特定靶点的LRIP-SF评分函数进行评估。总体而言，ADSeqGAN为数据稀缺情境下的分子设计提供了灵活的框架，并在核苷酸结合剂、CNS药物和CB1配体方面展现了实际应用价值。
引用
@article{arxiv.2502.16446,
title = {Auxiliary Discrminator Sequence Generative Adversarial Networks (ADSeqGAN) for Few Sample Molecule Generation},
author = {Haocheng Tang and Jing Long and Beihong Ji and Junmei Wang},
journal= {arXiv preprint arXiv:2502.16446},
year = {2025}
}
备注
Accepted by Journal of Chemical Information and Modeling, ASAP