基于多阶段 VAE 的无目标属性分子性质增强
机器学习
2023-09-12 v2 定量方法
摘要
变分自编码器 (VAE) 是药物发现中一种流行的方法，已有多种架构与流程被提出以改进其性能。然而，已知当数据位于嵌入更高维环境空间中的低维流形上时，VAE 方法存在流形恢复不佳的问题 [Dai and Wipf, 2019]。其在药物发现中的后果尚待充分探究。本文中，我们探索将一种可改善合成数据集上流形恢复的多阶段 VAE 方法应用于药物发现领域。我们使用 ChEMBL 数据集对多阶段 VAE 方法进行实验评估，并证明其能够在不将性质预测器纳入训练流程的情况下，较已有方法显著改善生成分子的性质统计。我们进一步在两个针对不同的蛋白质、经过筛选且小得多的分子数据集上微调模型。实验表明，与单阶段对应方法相比，多阶段 VAE 生成的活性分子数量有所增加。对于这两项任务，我们的基线均包含使用习得性质预测器将目标度量直接纳入训练目标的方法，并讨论了该方法所带来的复杂性。
引用
@article{arxiv.2308.13066,
title = {Objective-Agnostic Enhancement of Molecule Properties via Multi-Stage VAE},
author = {Chenghui Zhou and Barnabas Poczos},
journal= {arXiv preprint arXiv:2308.13066},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2212.02750