通过属性驱动集成嵌入与GAN选择性实现分子生成改进
机器学习
2025-04-29 v1 人工智能
摘要
药物发现和化学工程等领域对具有定制化属性的分子需求日益增长，推动了计算方法在分子设计领域的进步。基于机器学习的全新分子生成方法近年来受到广泛关注。本文引入了一个基于Transformer的向量嵌入生成器，结合修改版生成式对抗网络（GAN），以生成具有所需属性的分子。嵌入生成器利用一种新型分子描述符，将摩根指纹与全局分子属性相结合，使Transformer能够捕捉局部功能基团及更广泛的分子特征。修改GAN生成器损失函数，确保生成具有特定期望属性的分子。该Transformer在将分子描述符转换回SMILES字符串方面实现了94%的重构准确率，验证了所提出嵌入在生成任务中的实用性。该方法通过使用带标签的芳香化合物数据集生成新型芳香分子进行验证。采用修改范围损失函数后，GAN仅生成芳香分子。这一工作凸显了将新型向量嵌入与Transformer及修改GAN架构相结合的潜力，以加速精心设计分子的发现，为多样化的分子设计应用提供了强大的工具。
关键词
引用
@article{arxiv.2504.19040,
title = {Improved Molecular Generation through Attribute-Driven Integrative Embeddings and GAN Selectivity},
author = {Nandan Joshi and Erhan Guven},
journal= {arXiv preprint arXiv:2504.19040},
year = {2025}
}