在习得图流形上的真实分子优化
化学物理
2021-06-28 v1 机器学习
摘要
基于深度学习的分子图生成与优化因其在从头药物设计方面的巨大潜力近来备受关注。一方面，近期模型能够高效学习给定的图分布，且许多方法已证明可非常有效地生成使给定分数最大化的分子。另一方面，先前研究表明，即便加入了强制与真实药物分子数据集相似性的机制，生成的优化分子也常不真实。本工作中我们采用混合方法：使用自回归模型学习数据集分布，同时利用偏向该习得分布的 Metropolis 算法进行分数优化。我们表明，这一称为习得真实性采样（LRS）的方法，在经验上生成更真实的分子，并在带相似性约束的分子优化任务中优于所有近期基线。
引用
@article{arxiv.2106.13318,
title = {Realistic molecule optimization on a learned graph manifold},
author = {Rémy Brossard and Oriel Frigo and David Dehaene},
journal= {arXiv preprint arXiv:2106.13318},
year = {2021}
}
备注
15 pages (9 page main article without refs or appendix) and 2 figures. In review at NEURIPS 2021