基于深度强化学习的分子从头设计
人工智能
2017-08-30 v2
摘要
本研究介绍了一种调整基于序列的生成模型用于分子从头设计的方法，该方法通过增强的情景似然（augmented episodic likelihood）能够学习生成具有某些指定理想性质的结构。我们展示了该模型如何执行一系列任务，例如生成查询结构的类似物，以及生成被预测对某个生物靶点具有活性的化合物。作为原理验证，该模型首先被训练生成不含硫的分子。作为第二个例子，模型被训练生成药物塞来昔布（Celecoxib）的类似物，这是一种可用于从单个分子出发进行骨架跃迁或库扩展的技术。最后，当将模型调优以生成被预测对多巴胺受体2型具有活性的化合物时，模型生成的结构中有超过95%被预测为活性分子，包括未经包含在生成模型或活性预测模型中的实验确认活性分子。
引用
@article{arxiv.1704.07555,
title = {Molecular De Novo Design through Deep Reinforcement Learning},
author = {Marcus Olivecrona and Thomas Blaschke and Ola Engkvist and Hongming Chen},
journal= {arXiv preprint arXiv:1704.07555},
year = {2017}
}