分子超图文法及其在分子优化中的应用
机器学习
2019-04-24 v2 机器学习
摘要
分子优化旨在发现具有理想性质的新分子。两个基本挑战是：（i）由于化合价条件等硬性化学约束，以可控方式生成有效分子并非易事；（ii）评估新分子的性质通常代价高昂，因此性质评估的次数有限。变分自编码器（VAE）与贝叶斯优化（BO）的结合在某种程度上缓解了这些挑战。VAE 将分子转换为其潜在连续向量（或反之），BO 在有限的属性评估次数内优化潜在连续向量（及其对应分子）。虽然最近的工作首次实现了 100% 有效性，但其架构由于除 VAE 外的辅助神经网络而相当复杂，难以训练。本文提出分子超图文法变分自编码器（MHG-VAE），仅使用单一 VAE 即可实现 100% 有效性。我们的思路是开发一种编码硬性化学约束的图文法，称为分子超图文法（MHG），以引导 VAE 始终生成有效分子。我们还提出了一种从分子集合构建 MHG 的算法。
引用
@article{arxiv.1809.02745,
title = {Molecular Hypergraph Grammar with its Application to Molecular Optimization},
author = {Hiroshi Kajino},
journal= {arXiv preprint arXiv:1809.02745},
year = {2019}
}
备注
19 pages