MGCVAE：基于分子图条件变分自编码器的多目标逆向设计
机器学习
2022-02-16 v1 化学物理
摘要
诸多领域的终极目标是直接生成具有期望性质的分子，例如在药物开发中寻找水溶性分子，在新有机材料开发领域寻找适用于有机发光二极管（OLED）或光敏剂的分子。为此，本研究提出一种基于自编码器的分子图生成模型用于从头设计。通过将分子图条件变分自编码器（MGCVAE）与分子图变分自编码器（MGVAE）进行比较，考察了MGCVAE生成具有特定期望性质分子的性能。此外，对MGCVAE应用多目标优化以同时满足两个选定性质。本研究以logP和摩尔折射率两个物理性质作为从头设计分子（特别是药物发现）的优化目标。结果表明，在生成的分子中，MGCVAE生成了25.89%的优化分子，而MGVAE仅为0.66%。因此，这表明MGCVAE能有效生成具有两种目标性质的类药分子。本研究结果表明，这些基于图的数据驱动模型是设计满足多种物理性质（如药物发现）新分子的有效方法之一。
引用
@article{arxiv.2202.07476,
title = {MGCVAE: Multi-objective Inverse Design via Molecular Graph Conditional Variational Autoencoder},
author = {Myeonghun Lee and Kyoungmin Min},
journal= {arXiv preprint arXiv:2202.07476},
year = {2022}
}
备注
preprint, under review