用于稳健高效机器学习驱动分子生成的分子指纹
机器学习
2022-11-17 v1
摘要
我们提出了一种新颖的基于分子指纹的变分自编码器，应用于真实世界药物分子的分子生成。我们定义了更合适且与药物相关的基线度量和测试，聚焦于生成多样的、类药的、新颖的小分子与骨架。当我们将这些分子生成度量应用于我们的新模型时，我们观察到化学合成可及性（ = -0.83）的显著提升，以及相较现有SOTA的基于SMILES的架构最高5.9倍的计算效率提升。
引用
@article{arxiv.2211.09086,
title = {Molecular Fingerprints for Robust and Efficient ML-Driven Molecular Generation},
author = {Ruslan N. Tazhigulov and Joshua Schiller and Jacob Oppenheim and Max Winston},
journal= {arXiv preprint arXiv:2211.09086},
year = {2022}
}
备注
7 pages, 5 figures. To be presented in the Machine Learning and the Physical Sciences workshop, NeurIPS 2022, New Orleans, United States, December 3, 2022, https://ml4physicalsciences.github.io/2022/