用于分子性质靶向的无分类器图扩散模型
机器学习
2024-10-02 v2 生物大分子
摘要
本工作聚焦于性质靶向任务：即生成以目标化学性质为条件的分子，以加速新药和新材料开发的候选筛选。DiGress 是最近提出的一种用于分子图的扩散模型，其显著特征是通过基于分类器 (CB) 的引导允许性质靶向。虽然 CB 引导可能适用于生成类分子图，但我们指出其假设在化学领域适用性较差。基于这一见解，我们提出了一种无分类器 DiGress (FreeGress)，该方法通过将条件信息直接注入训练过程来工作。鉴于其假设较宽松且无需训练辅助性质回归器（从而使模型可训练参数减半），CF 引导十分便捷。实证表明，在 QM9 和 ZINC-250k 基准测试的性质靶向任务上，我们的模型相较于 DiGress 在平均绝对误差方面提升了高达 79%。作为额外贡献，基于分子量等某些化学性质与分子中原子数量相关的观察，我们提出了一种简单而强大的方法来提高生成样本的化学有效性。
引用
@article{arxiv.2312.17397,
title = {Classifier-free graph diffusion for molecular property targeting},
author = {Matteo Ninniri and Marco Podda and Davide Bacciu},
journal= {arXiv preprint arXiv:2312.17397},
year = {2024}
}
备注
Proceedings of ECML PKDD 2024