当分子GAN遇到字节对编码
机器学习
2024-10-01 v1 定量方法
摘要
深度生成模型，如生成对抗网络（GAN），在通过de novo分子生成发现新型药物候选分子方面起着关键作用。然而，传统的字符级分词器在识别分子数据中的新颖和复杂亚结构时常常难以为继。相比之下，替代性分词方法显示出优异的性能。本研究引入一种集成字节级字节对编码分词器并采用强化学习来增强de novo分子生成的分子GAN。具体而言，生成器作为演员，产生SMILES字符串，而判别器则作为评论员，对其质量进行评估。我们的分子GAN还集成了旨在提高计算效率的创新奖励机制。通过评估有效性、唯一性、新颖性和多样性的实验结果，结合详细的可视化分析，稳健地证明了本GAN的有效性。
引用
@article{arxiv.2409.19740,
title = {When Molecular GAN Meets Byte-Pair Encoding},
author = {Huidong Tang and Chen Li and Yasuhiko Morimoto},
journal= {arXiv preprint arXiv:2409.19740},
year = {2024}
}