利用互信息机改进小分子生成
机器学习
2023-03-31 v2 人工智能
生物大分子
定量方法
摘要
我们研究小分子的受控生成任务，即在特定约束（例如与参考分子的相似性）下寻找具有期望性质的新颖分子。本文提出 MolMIM，一种用于小分子药物发现的概率自编码器，其学习一个信息丰富且聚类的潜空间。MolMIM 通过互信息机（Mutual Information Machine, MIM）学习进行训练，并为变长 SMILES 字符串提供定长表示。由于编码器-解码器模型可能学到带有无效样本“空洞”的表示，我们提出一种训练过程的新扩展，促进稠密潜空间，并允许模型从潜编码的随机扰动中采样有效分子。我们将 MolMIM 与若干变长和定长编码器-解码器模型进行详尽比较，证明 MolMIM 在有效性、唯一性和新颖性度量上生成更优。随后，我们利用 CMA-ES（一种朴素的黑盒无梯度搜索算法）在 MolMIM 的潜空间上进行性质引导的分子优化。我们在多个约束单性质优化任务以及具有挑战性的多目标优化任务中取得了最先进的结果，将此前成功率 SOTA 提升超过 5%。我们将强劲结果归因于 MolMIM 的潜表示在潜空间中对相似分子进行聚类，而 CMA-ES 常作为基线优化方法使用。我们还证明 MolMIM 在计算受限情形下更具优势，使其成为此类情况下的有吸引力模型。
引用
@article{arxiv.2208.09016,
title = {Improving Small Molecule Generation using Mutual Information Machine},
author = {Danny Reidenbach and Micha Livne and Rajesh K. Ilango and Michelle Gill and Johnny Israeli},
journal= {arXiv preprint arXiv:2208.09016},
year = {2023}
}
备注
Published at the MLDD workshop, ICLR 2023. version 2. 8 pages, 4 figures, 4 tables