基序作为归纳偏置在学习分子分布中的威力
机器学习
2023-07-03 v1 生物大分子
应用统计
摘要
分子机器学习在高效探索广阔化学空间、从而通过促进新治疗分子设计来简化药物发现过程方面具有巨大潜力。深度生成模型在分子生成上已展现出有前景的结果，但特定归纳偏置对于学习小图分布的益处尚不清楚。我们的研究旨在以小型药物分子为案例，考察子图结构与词表设计对分布学习的影响。为此，我们引入 Subcover，一种新的基于子图的片段化方案，并通过一个两步变分自编码器对其进行评估。我们的结果表明，Subcover 对化学有意义子图的改进识别使 FCD 分数相对提升 30%，优于以往方法。我们的发现凸显了 Subcover 提升现有方法性能与可扩展性的潜力，助力药物发现进展。
引用
@article{arxiv.2306.17246,
title = {The power of motifs as inductive bias for learning molecular distributions},
author = {Johanna Sommer and Leon Hetzel and David Lüdke and Fabian Theis and Stephan Günnemann},
journal= {arXiv preprint arXiv:2306.17246},
year = {2023}
}
备注
Accepted for publication at the MLDD workshop, ICLR 2023