Fréchet ChemNet 距离：药物发现中分子生成模型的度量指标
机器学习
2018-08-02 v3 定量方法
机器学习
摘要
机器学习中新一波成功的生成模型增加了人们对深度学习驱动的从头药物设计的兴趣。然而，评估此类生成模型的性能是出了名的困难。通常用于评估此类生成模型性能的指标包括化学有效分子的百分比，或在特定描述符（如分配系数 logP 或类药性）方面与真实分子的相似度。然而，由于评估指标使用不一致、需要多重指标，以及某些度量很容易被简单的基于规则的系统欺骗，方法比较变得困难。我们提出了一种两组分子之间的新型距离度量，称为 Fréchet ChemNet 距离（FCD），可用作生成模型的评估指标。FCD 类似于最近建立的用于比较图像生成方法的性能指标——Fréchet Inception Distance（FID）。FID 使用 InceptionNet 的一个隐藏层，而 FCD 则利用了一个名为 ChemNet 的深度神经网络的倒数第二层，该网络经过训练用于预测药物活性。因此，FCD 指标考虑了有关分子的化学和生物学相关信息，并通过生成分子的分布衡量了集合的多样性。FCD 相对于以往指标的优势在于，它可以检测生成的分子是否具有与真实分子相似的多样性、化学性质和生物学性质。我们进一步提供了一个易于使用的实现，仅需生成分子的 SMILES 表示作为输入即可计算 FCD。实现可在以下网址获取：https://www.github.com/bioinf-jku/FCD
引用
@article{arxiv.1803.09518,
title = {Fr\'echet ChemNet Distance: A metric for generative models for molecules in drug discovery},
author = {Kristina Preuer and Philipp Renz and Thomas Unterthiner and Sepp Hochreiter and Günter Klambauer},
journal= {arXiv preprint arXiv:1803.09518},
year = {2018}
}
备注
Implementations are available at: https://www.github.com/bioinf-jku/FCD