利用基于分数的分布外生成探索化学空间
生物大分子
2023-06-06 v3 机器学习
化学物理
摘要
现有分子生成模型的一个已知局限是所生成分子与训练集中的高度相似。为生成可能具有更优性质、用于从头药物发现的真正新颖分子，有必要在化学空间中进行更有力的探索。为此，我们提出分子分布外扩散（MOOD），一种基于分数的扩散方案，其在生成随机微分方程（SDE）中融入分布外（OOD）控制，通过简单控制超参数实现，因此无需额外开销。由于某些新颖分子可能不满足现实药物的基本要求，MOOD 利用来自性质预测器的梯度进行条件生成，该梯度根据蛋白质-配体相互作用、类药性与可合成性等目标性质引导逆时扩散过程至高评分区域。这使 MOOD 能搜索新颖且有意义的分子，而非生成未见却平凡的 ones。我们通过实验验证 MOOD 能够探索训练分布之外的化学空间，生成分子得分超越现有方法发现的分子，甚至超越原始训练池中前0.01%的分子。我们的代码见 https://github.com/SeulLee05/MOOD。
引用
@article{arxiv.2206.07632,
title = {Exploring Chemical Space with Score-based Out-of-distribution Generation},
author = {Seul Lee and Jaehyeong Jo and Sung Ju Hwang},
journal= {arXiv preprint arXiv:2206.07632},
year = {2023}
}
备注
ICML 2023