MolPLA：一种学习分子核心、R基团及其连接子的分子预训练框架
机器学习
2024-01-31 v1
摘要
分子核心结构和R基团是药物开发中的基本概念。将这些概念与传统的图预训练方法相结合，可以促进对分子更深层次的理解。我们提出了MolPLA，一种新颖的预训练框架，它采用掩码图对比学习来理解分子中隐含核心结构和外围R基团的可分解部分。此外，我们构建了一个额外的框架，赋予MolPLA帮助化学家在先导化合物优化场景中寻找可替换R基团的能力。在分子性质预测上的实验结果表明，MolPLA展现出与当前最先进模型相当的可预测性。定性分析表明，MolPLA能够区分核心和R基团子结构，识别分子中的可分解区域，并通过在给定各种查询核心模板的情况下合理建议R基团替换，为先导化合物优化场景做出贡献。MolPLA的代码实现及其预训练模型检查点可在 https://github.com/dmis-lab/MolPLA 获取。
引用
@article{arxiv.2401.16771,
title = {MolPLA: A Molecular Pretraining Framework for Learning Cores, R-Groups and their Linker Joints},
author = {Mogan Gim and Jueon Park and Soyon Park and Sanghoon Lee and Seungheun Baek and Junhyun Lee and Ngoc-Quang Nguyen and Jaewoo Kang},
journal= {arXiv preprint arXiv:2401.16771},
year = {2024}
}