将 GNN 属性预测器用作分子生成器
机器学习
2024-06-06 v1 化学物理
摘要
图神经网络（GNN）已成为计算发现管道中预测材料和分子性质的强大工具。本文利用这些神经网络的可逆性，直接生成具有所需电子性质的分子结构。从随机图或现有分子开始，我们在保持 GNN 权重不变的条件下，对其输入（即分子图）执行梯度上升，以针对目标属性进行优化。通过明智的图构建严格执行价值规则。该方法完全依赖于属性预测器，不需要对分子结构进行额外训练。我们通过生成具有特定 DFT 验证能隙和辛醇-水分配系数（logP）的分子来演示了该方法。我们的 approach 在达到目标属性方面的成功率与或优于最先进的生成模型相当，同时持续生成更具多样性的分子。
引用
@article{arxiv.2406.03278,
title = {Using GNN property predictors as molecule generators},
author = {Félix Therrien and Edward H. Sargent and Oleksandr Voznyy},
journal= {arXiv preprint arXiv:2406.03278},
year = {2024}
}
备注
7 pages, 2 figures, 2 tables