基于对抗正则化自编码器的分子生成模型
化学物理
2019-12-13 v1 机器学习
机器学习
摘要
深度生成模型作为一种有前景的分子设计新方法正受到极大关注。迄今为止报道的所有模型都基于变分自编码器（VAE）或生成对抗网络（GAN）之一。本文提出一种基于对抗正则化自编码器（ARAE）的新型模型。它基本像 VAE 一样使用潜变量，但潜变量的分布通过类似 GAN 中的对抗训练获得。后者旨在避免 VAE 中对后验分布的不当近似以及 GAN 中处理离散变量的困难。我们的基准研究表明，ARAE 在每次生成分子的有效性、唯一性和新颖性方面确实优于传统模型。我们还展示了使用 ARAE 对类药分子进行条件生成的成功案例，涵盖单属性和多属性控制两种情况。作为一个潜在的真实世界应用，我们能够生成共享已知活性分子骨架同时满足类药条件的 EGFR 抑制剂。
引用
@article{arxiv.1912.05617,
title = {Molecular Generative Model Based On Adversarially Regularized Autoencoder},
author = {Seung Hwan Hong and Jaechang Lim and Seongok Ryu and Woo Youn Kim},
journal= {arXiv preprint arXiv:1912.05617},
year = {2019}
}
备注
23 pages, 6 figures