MAGNet：基于形状且与基序无关的 molecule 生成
化学物理
2023-11-08 v2 机器学习
摘要
机器学习在分子领域的近期进展展现出通过计算机预测助力药物发现的巨大潜力。多数分子生成模型依赖于将分子分解为频繁出现的子结构（基序），并据此生成新化合物。尽管基序表示极大有助于学习分子分布，此类方法难以表示其已知基序集之外的子结构。为缓解该问题并提升跨数据集灵活性，我们提出MAGNet，一种先生成抽象形状再分配原子与键类型的基于图的模型。为此，我们引入一种新颖的分子数据分布分解方式，其考虑分子的全局上下文并促进在形状上学习充分的原子与键分配。尽管增加了形状抽象的复杂度，MAGNet在标准基准上优于多数其他基于图的方法。重要的是，我们证明MAGNet提升的表达能力可生成具有拓扑上更显著差异结构的分子，同时具备多样的原子与键分配。
引用
@article{arxiv.2305.19303,
title = {MAGNet: Motif-Agnostic Generation of Molecules from Shapes},
author = {Leon Hetzel and Johanna Sommer and Bastian Rieck and Fabian Theis and Stephan Günnemann},
journal= {arXiv preprint arXiv:2305.19303},
year = {2023}
}