用于从头药物设计的深度强化学习
人工智能
2018-07-30 v2 机器学习
机器学习
摘要
我们提出了一种用于设计具有所需性质的分子的新型计算策略，称为 ReLeaSE（用于结构演化的强化学习，Reinforcement Learning for Structural Evolution）。基于深度与强化学习方法，ReLeaSE 集成了两个深度神经网络——生成网络与预测网络——它们分别训练但联合使用以生成新颖的靶向化学库。ReLeaSE 仅采用分子由其 SMILES 字符串的简单表示。生成模型用栈增强记忆网络训练以产生化学可行的 SMILES 字符串，预测模型用于预测从头生成化合物的所需性质。在该方法的第一阶段，生成与预测模型用监督学习算法分别训练。在第二阶段，两模型用强化学习方法联合训练，以将新化学结构的生成偏向具有所需物理和/或生物性质者。在概念验证研究中，我们采用 ReLeaSE 方法设计偏向结构复杂性的化学库，或偏向具有最大、最小或特定范围物理性质（如熔点或疏水性）的化合物，以及开发 JAK2 的新型推定抑制剂。本文提出的方法可普遍用于生成针对单一所需性质或多性质优化的新型化合物靶向化学库。
引用
@article{arxiv.1711.10907,
title = {Deep Reinforcement Learning for De-Novo Drug Design},
author = {Mariya Popova and Olexandr Isayev and Alexander Tropsha},
journal= {arXiv preprint arXiv:1711.10907},
year = {2018}
}