平衡探索与利用：解耦 $\beta$-CVAE 在从头药物设计中的应用
机器学习
2023-08-21 v2 人工智能
生物大分子
摘要
深度生成模型最近成为一种有前景的从头药物设计方法。在这方面，深度生成条件变分自编码器（CVAE）模型是生成具有所需类药性质的新分子的有力方法。然而，具有解耦和多变量显式潜变量条件化的分子图模型尚未被充分阐明。为此，我们提出了一种用于从头药物设计的分子图 -CVAE 模型。在此，我们凭经验调谐解耦度的值，并评估其生成具有优化单变量或多变量性质分子的能力。特别地，我们优化了辛醇-水分配系数（ClogP）、摩尔折射率（CMR）、类药物性定量估计（QED）和合成可及性评分（SAS）。结果表明较低的 值增加了生成分子的独特性（探索）。单变量优化结果显示，我们的模型通过 Ghose 滤波器生成的分子性质平均值为 ClogP = 41.07% 0.01% 和 CMR 66.76% 0.01%。多变量性质优化结果显示，我们的模型为两种所需性质平均生成了 30.07% 0.01% 的分子。此外，我们的模型改善了所生成分子的 QED 和 SAS（利用）。总之，这些结果表明 -CVAE 可通过解耦平衡探索与利用，是一种有前景的从头药物设计模型，从而为未来研究提供基础。
引用
@article{arxiv.2306.01683,
title = {Balancing Exploration and Exploitation: Disentangled $\beta$-CVAE in De Novo Drug Design},
author = {Guang Jun Nicholas Ang and De Tao Irwin Chin and Bingquan Shen},
journal= {arXiv preprint arXiv:2306.01683},
year = {2023}
}