NEBULA：基于潜在表示的神经经验贝叶斯，用于高效可控的分子库设计
机器学习
2024-07-08 v1 生物大分子
摘要
我们提出了 NEBULA，首个基于潜在空间的 3D 生成模型，用于从感兴趣的种子化合物周围可扩展地生成大型分子库。此类化合物库对于科学发现至关重要，但目前仍具有生成大量高质量样本的效率挑战。3D 体素方法最近在从随机噪声中生成高质量样本方面显示出巨大的前景 (Pinheiro 等，2023)。然而，3D 体素空间的采样计算成本高昂，难以用于库生成。本文则在向量量化变分自编码器学习到的潜在空间中进行神经经验贝叶斯采样 (Saremi & Hyvarinen，2019)。NEBULA 在不牺牲样本质量的前提下，生成的分子库速度几乎比现有方法快一个数量级。此外，NEBULA 在两个公开数据集和多个最近发布的药物上，针对未见的药物相似分子表现出更好的泛化能力。我们期望本方法将为基于机器学习的药物发现提供强大的支持。代码已发布于 https://github.com/prescient-design/nebula
关键词
引用
@article{arxiv.2407.03428,
title = {NEBULA: Neural Empirical Bayes Under Latent Representations for Efficient and Controllable Design of Molecular Libraries},
author = {Ewa M. Nowara and Pedro O. Pinheiro and Sai Pooja Mahajan and Omar Mahmood and Andrew Martin Watkins and Saeed Saremi and Michael Maser},
journal= {arXiv preprint arXiv:2407.03428},
year = {2024}
}