好奇心作为自监督方法改进从头药物设计中的探索
定量方法
2024-01-17 v1 机器学习
生物大分子
摘要
近年来，深度学习在从头药物设计中展现出有前景的结果。然而，所提出的技术仍然缺乏对庞大化学空间的有效探索。这些方法大多探索已知药物化学空间的一小部分，如果未找到所需分子，过程即告结束。在这项工作中，我们引入了一种好奇心驱动的方法，迫使模型在化学空间的许多区域进行导航，从而同时实现更高的合意性和多样性。首先，我们训练一个基于循环神经网络的通用分子生成器（G），然后对G进行微调以最大化好奇心和合意性。我们将好奇心定义为两个生成分子之间的Tanimoto相似度，第一个分子由G生成，第二个分子由G的副本（Gcopy）生成。我们仅通过G反向传播损失，同时保持Gcopy不变。我们针对两种与药物相似性相关的合意化学性质对我们的方法进行了基准测试，结果表明，所发现的化学空间可以显著扩展，从而发现更多具有更高多样性且可能更易合成的合意分子。本文使用的所有代码和数据可在https://github.com/amine179/Curiosity-RL-for-Drug-Design获取。
引用
@article{arxiv.2401.06771,
title = {Curiosity as a Self-Supervised Method to Improve Exploration in De novo Drug Design},
author = {Mohamed-Amine Chadi and Hajar Mousannif and Ahmed Aamouche},
journal= {arXiv preprint arXiv:2401.06771},
year = {2024}
}