用于抗病毒药物发现的空间图注意力与好奇心驱动策略
机器学习
2022-05-12 v6 人工智能
生物大分子
摘要
我们开发了 Distilled Graph Attention Policy Network (DGAPN)，一种强化学习模型，用于在物理约束域中高效导航以生成新颖的图结构化学表示，从而优化用户定义的目標。该框架在生成设计用于非共价结合 SARS-CoV-2 蛋白质功能位点的分子任务上进行了检验。我们提出一种空间图注意力 (sGAT) 机制，利用对节点与边属性的自注意力并编码空间结构——该能力在合成生物学与药物发现中颇受关注。引入了一种注意力策略网络以学习动态、基于片段的化学环境中的决策规则，并采用最先进的策略梯度技术稳定训练该网络。探索由动作空间设计的随机性以及随机网络蒸馏所学习并提出的创新奖励激励驱动。实验中，我们的框架相较于最先进算法取得了优异结果，同时降低了化学合成路径的复杂度。
引用
@article{arxiv.2106.02190,
title = {Spatial Graph Attention and Curiosity-driven Policy for Antiviral Drug Discovery},
author = {Yulun Wu and Mikaela Cashman and Nicholas Choma and Érica T. Prates and Verónica G. Melesse Vergara and Manesh Shah and Andrew Chen and Austin Clyde and Thomas S. Brettin and Wibe A. de Jong and Neeraj Kumar and Martha S. Head and Rick L. Stevens and Peter Nugent and Daniel A. Jacobson and James B. Brown},
journal= {arXiv preprint arXiv:2106.02190},
year = {2022}
}