GraphAF：一种用于分子图生成的基于流的自回归模型
机器学习
2020-02-28 v2 机器学习
摘要
分子图生成是药物发现中的基本问题，已引起越来越多的关注。该问题具有挑战性，因为它不仅要求生成化学有效的分子结构，还要求同时优化其化学性质。受深度生成模型近期进展的启发，本文提出一种用于图生成的基于流的自回归模型，称为 GraphAF。GraphAF 结合了自回归与基于流的方法两者的优势，并具有：(1) 用于数据密度估计的高模型灵活性；(2) 用于训练的高效并行计算；(3) 迭代采样过程，允许利用化学领域知识进行价键检查。实验结果表明，即使在没有化学知识规则的情况下，GraphAF 也能生成 68% 化学有效的分子，而在有化学规则的情况下可生成 100% 有效的分子。GraphAF 的训练过程比现有最先进方法 GCPN 快两倍。在通过强化学习对模型进行目标导向性质优化微调后，GraphAF 在化学性质优化和约束性质优化上均达到了最先进的性能。
引用
@article{arxiv.2001.09382,
title = {GraphAF: a Flow-based Autoregressive Model for Molecular Graph Generation},
author = {Chence Shi and Minkai Xu and Zhaocheng Zhu and Weinan Zhang and Ming Zhang and Jian Tang},
journal= {arXiv preprint arXiv:2001.09382},
year = {2020}
}