MolGAN:一种用于小分子图的隐式生成模型
机器学习
2022-09-28 v2 机器学习
摘要
用于图结构数据的深度生成模型为化学合成问题提供了新视角:通过优化直接生成分子图的可微模型,可以避开在离散且庞大的化学结构空间中进行昂贵的搜索过程。我们提出MolGAN,一种用于小分子图的隐式、无似然生成模型,它规避了先前基于似然方法所需的昂贵图匹配过程或节点排序启发式。我们的方法调整生成对抗网络(GANs)以直接在图结构数据上运行。我们将该方法与强化学习目标结合,以鼓励生成具有特定所需化学性质的分子。在QM9化学数据库上的实验中,我们证明我们的模型能够生成接近100%有效的化合物。MolGAN在与近期使用基于字符串(SMILES)分子表示的方法以及直接生成图的基于似然方法比较中均表现良好,尽管易出现模式崩溃。代码见 https://github.com/nicola-decao/MolGAN
引用
@article{arxiv.1805.11973,
title = {MolGAN: An implicit generative model for small molecular graphs},
author = {Nicola De Cao and Thomas Kipf},
journal= {arXiv preprint arXiv:1805.11973},
year = {2022}
}
备注
Code at https://github.com/nicola-decao/MolGAN