基于动态目标感知片段的药物发现
机器学习
2024-05-31 v3
摘要
基于片段的药物发现是在广阔化学空间中寻找候选药物的有效策略，已广泛应用于分子生成模型。然而，此类模型中许多现有的片段提取方法未考虑目标化学性质或依赖启发式规则。此外，现有的基于片段的生成模型无法在生成过程中用新发现的目标感知片段更新片段词表。为此，我们提出一种用于药物发现的分子生成框架，称为目标感知片段提取、组装与修饰（GEAM）。GEAM由三个模块组成，分别负责目标感知片段提取、片段组装和片段修饰。片段提取模块利用信息瓶颈原理识别对期望目标性质有重要贡献的片段，从而构建有效的目标感知片段词表。此外，GEAM可通过片段修饰模块探索初始词表之外的空间，并通过动态目标感知词表更新进一步增强探索。我们通过实验证明，GEAM在多种药物发现任务中通过三个模块的生成循环有效发现了候选药物。我们的代码可在 https://github.com/SeulLee05/GEAM 获取。
引用
@article{arxiv.2310.00841,
title = {Drug Discovery with Dynamic Goal-aware Fragments},
author = {Seul Lee and Seanie Lee and Kenji Kawaguchi and Sung Ju Hwang},
journal= {arXiv preprint arXiv:2310.00841},
year = {2024}
}
备注
ICML 2024