GEN：基于自学习生成检验网络的高效SMILES探索器
机器学习
2019-09-12 v1 机器学习
摘要
循环神经网络已广泛用于已知化学空间中生成数百万个从头设计的分子。这些深度生成模型通常配置LSTM或GRU单元并以规范SMILES训练。本研究中，我们引入一种新颖鲁棒的架构——生成检验网络GEN，其基于双向RNN并拼接子模型，以学习并生成具有训练目标空间的分子SMILES。GEN在少量轮次内自主学习目标空间，同时接受独立的在线检验机制以衡量生成集的质量。此处我们采用对有效分子SMILES百分比的在线统计质量控制（SQC）作为检验度量，以选择最早可用的稳定模型权重。通过使用多并行编码层结合基于无限制SMILES随机化的SMILES增强，可生成极高比例（95-98%）的有效SMILES。我们的架构在生成SMILES时兼具出色的新颖率（85-90%）与属性空间强保守性（95-99%）。我们灵活的检验机制可兼容其他质量标准。
引用
@article{arxiv.1909.04825,
title = {GEN: Highly Efficient SMILES Explorer Using Autodidactic Generative Examination Networks},
author = {Ruud van Deursen and Peter Ertl and Igor V. Tetko and Guillaume Godin},
journal= {arXiv preprint arXiv:1909.04825},
year = {2019}
}