评估增强 SELFIES 对分子理解的影响：基于 QK-LSTM 方法
机器学习
2025-04-30 v1
摘要
识别分子属性（包括副作用）是药物开发中的关键且耗时的步骤。在监管提交前未能检测到这些副作用可能导致重大财务损失和生产延迟，忽略在监管审查期间则可能导致灾难性后果。为此提出创新性机器学习方法的机会，尤其是量子-经典混合模型，如量子核基长短期记忆网络（QK-LSTM）。QK-LSTM 将量子核函数集成到经典 LSTM 框架中，使其能够捕捉序列数据中复杂的非线性模式。通过将输入数据映射到高维量子特征空间，QK-LSTM 模型无需大量参数，即可在不牺牲序列任务准确性的前提下实现模型压缩。近期在经典领域已针对 SMILES 的增强变体取得了进展。然而，据我们所知，尚无研究探讨了增强 SMILES 在量子领域中的影响，或增强自我引用嵌入字符串（SELFIES）在经典或量子-经典混合设置中的作用。本研究首次对这些方法进行分析，为增强分子属性预测和副作用识别提供了新见解。结果表明，增强 SELFIES 在经典领域和量子-经典混合领域分别比 SMILES 提供了 5.97% 和 5.91% 的统计显著性改进。
引用
@article{arxiv.2504.20789,
title = {Evaluating Effects of Augmented SELFIES for Molecular Understanding Using QK-LSTM},
author = {Collin Beaudoin and Swaroop Ghosh},
journal= {arXiv preprint arXiv:2504.20789},
year = {2025}
}