骨架嵌入：学习化学片段、骨架与化合物所张成的结构
机器学习
2021-03-12 v1
摘要
鉴于足够的数据，分子似乎天然契合深度学习通过表示学习处理复杂结构的倾向。然而，这种常为连续的表示并不天然适用于将化学空间理解为一个领域，且特定于样本及其差异。我们致力于探索一种将化学空间表示为结构化领域的自然结构：基于通过包含算子相连的骨架类，将类药化学空间嵌入到可枚举超图中。本文展示了分子如何形成骨架类、骨架之间如何在超图中相互关联，以及这种骨架结构如何天然适用于药物发现工作流，如性质预测与分子结构优化。我们比较了各类分子嵌入的假设与效用，例如它们各自诱导的距离度量、将化学空间表示为结构化领域的可扩展性，以及利用该结构进行学习任务所带来的后果。
引用
@article{arxiv.2103.06867,
title = {Scaffold Embeddings: Learning the Structure Spanned by Chemical Fragments, Scaffolds and Compounds},
author = {Austin Clyde and Arvind Ramanathan and Rick Stevens},
journal= {arXiv preprint arXiv:2103.06867},
year = {2021}
}