利用深度学习生成计算机化学属性库与候选分子以用于复杂样品中的小分子识别
生物大分子
2019-05-22 v1
摘要
对复杂样品中小分子全面且无歧义的识别将彻底改变我们对代谢物在生物系统中作用的理解。现有与新兴技术已能够测量复杂混合物中分子的化学性质，并且协同作用下足以分辨甚至立体异构体。尽管有这些实验进展，小分子识别仍受限于：(i) 化学参考库仅代表已知分子的 <1%，限制了可能的识别数量；以及 (ii) 缺乏直接从实验特征（即无需库）生成候选匹配的方法。为此，我们开发了变分自编码器（VAE）来学习分子结构的连续数值或潜表示，以扩展用于小分子识别的参考库。我们将 VAE 扩展为包含作为多任务网络训练的化学性质解码器，以塑造潜表示使其按期望化学性质组装。该方法在小分子识别中的应用独具特色，其聚焦于 m/z 和 CCS，并配合其训练范式——涉及级联迁移学习迭代。这使得网络在每个阶段尽可能多地学习，从而以渐进更小的数据集取得成功且不过拟合。一旦训练完成，网络可直接从结构快速预测化学性质，并生成具有期望化学性质的候选结构。此外，沿由化学性质类似物定义的流形生成新分子的能力，使 DarkChem 在包括代谢组学与小分子识别、药物发现与设计、化学取证等诸多应用领域极具用处。
引用
@article{arxiv.1905.08411,
title = {Deep learning to generate in silico chemical property libraries and candidate molecules for small molecule identification in complex samples},
author = {Sean M. Colby and Jamie R. Nuñez and Nathan O. Hodas and Courtney D. Corley and Ryan R. Renslow},
journal= {arXiv preprint arXiv:1905.08411},
year = {2019}
}