基于几何散射的分子图生成
机器学习
2021-10-14 v1
摘要
图神经网络（GNNs）已被广泛用于解决药物设计与发现中的问题。配体与靶分子均被表示为图，其节点与边特征分别编码原子元素与化学键的信息。尽管现有深度学习模型在预测物理化学性质和结合亲和力方面表现优异，但生成具有优化性质的新分子仍具挑战性。本质上，由于消息传递范式的局限性，大多数 GNNs 在整图表示方面表现不佳。此外，采用强化学习或其他顺序处理的逐步图生成框架可能速度较慢，并产生高比例的无效分子，需大量后处理才能满足化学计量原理。为解决这些问题，我们提出一种“先表示后生成”的分子图生成方法。我们利用几何散射变换捕获图结构信息来引导自编码器的潜在表示，并通过分子性质对表示施加结构化惩罚。我们表明，这一高度结构化的潜在空间可直接借助 GAN 用于分子图生成。我们证明我们的架构学习了药物数据集的有意义表示，并为目标导向的药物合成提供了平台。
引用
@article{arxiv.2110.06241,
title = {Molecular Graph Generation via Geometric Scattering},
author = {Dhananjay Bhaskar and Jackson D. Grady and Michael A. Perlmutter and Smita Krishnaswamy},
journal= {arXiv preprint arXiv:2110.06241},
year = {2021}
}