Автоматическое проектирование химических соединений с использованием управляемого данными непрерывного представления молекул
Automatic Chemical Design Using a Data-Driven Continuous Representation of Molecules
2018-01-12
SCID: 54.1/4ws6fbd8
Discuss with AI
непрерывное представление молекулглубокая нейронная сетьлекарственноподобные молекулыоптимизация в латентном пространствепредсказание свойств молекул
Figures from the paper
Abstract (AI)
Представлен метод преобразования дискретных представлений молекул в многомерное непрерывное представление и обратного преобразования. Эта модель позволяет генерировать новые молекулы для эффективного исследования и оптимизации в неограниченных пространствах химических соединений. Для построения трех взаимосвязанных функций — кодировщика, декодировщика и предиктора — была обучена глубокая нейронная сеть на сотнях тысяч существующих химических структур. Кодировщик преобразует дискретное представление молекулы в непрерывный вектор с вещественными значениями, а декодировщик преобразует эти непрерывные векторы обратно в дискретные представления молекул. Предиктор оценивает химические свойства по латентному непрерывному векторному представлению молекулы. Непрерывные представления молекул позволяют автоматически генерировать новые химические структуры посредством простых операций в латентном пространстве, таких как декодирование случайных векторов, возмущение известных химических структур или интерполяция между молекулами. Непрерывные представления также позволяют использовать мощную градиентную оптимизацию для эффективного управления поиском оптимизированных функциональных соединений. Мы демонстрируем этот метод на примере лекарственноподобных молекул, а также набора молекул, содержащих менее девяти тяжелых атомов.
Key Findings
1
Глубокая нейронная сеть обучает связанные функции кодировщика, декодировщика и предиктора, отображающие молекулярные структуры в многомерное непрерывное латентное пространство и обратно.
2
Латентные представления поддерживают градиентную оптимизацию для эффективного поиска химических соединений с улучшенными предсказанными свойствами.
3
Подход обеспечивает открытое исследование и оптимизацию пространств химических соединений на основе дискретных молекулярных представлений.
4
Непрерывное представление позволяет генерировать новые молекулы декодированием случайных векторов, возмущением известных структур и интерполяцией между молекулами.
5
Метод продемонстрирован на лекарственноподобных молекулах и молекулах, содержащих менее девяти тяжёлых атомов.
Research Object
лекарственноподобные молекулы и молекулы, содержащие менее девяти атомов тяжёлых элементов
Research Subject
автоматическая генерация, исследование и градиентная оптимизация новых химических структур с использованием их непрерывных представлений в латентном пространстве
Publication Details
Publication Date
2018-01-12
Journal
Publisher
ISSN
Cited by
4548
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai6
Обучение «последовательность-в-последовательность» с помощью нейронных сетей2014
Эмпирическая оценка управляемых рекуррентных нейронных сетей для моделирования последовательностей2014
Обучение представлений без учителя с помощью глубоких сверточных генеративных состязательных сетей2015
Гауссовы процессы для машинного обучения2005
MoleculeNet: эталонный набор для машинного обучения молекул2017
Квантово-химические структуры и свойства 134 тысяч молекул2014
Работы, цитирующие эту статью20
Всеобъемлющий обзор графовых нейронных сетей2020
MoleculeNet: эталонный набор для машинного обучения молекул2017
Расцвет глубокого обучения в разработке лекарственных средств2018
Машинное обучение в материаловедении2019
Потенциалы межатомного взаимодействия на основе машинного обучения как перспективные инструменты материаловедения2019
Борьба с изменением климата с помощью машинного обучения2022
DScribe: библиотека дескрипторов для машинного обучения в материаловедении2019
Расширение возможностей больших языковых моделей с помощью химических инструментов2024
Ускорение поиска материалов для чистой энергетики в эпоху интеллектуальной автоматизации2018
Лаборатории с автономным управлением для химии и материаловедения2024
Роль искусственного интеллекта в разработке лекарственных средств: проблемы, возможности и стратегии2023
Методы машинного обучения для решения задач, связанных с малыми объемами данных в молекулярной науке2023
Искусственный интеллект в разработке лекарственных средств: последние достижения и перспективы2021
Компьютерная разработка лекарств и открытие препаратов: перспективный анализ2023
Современные разработка и открытие лекарственных препаратов на основе технологий искусственного интеллекта и машинного обучения2023
Графовые нейронные сети для обработки естественного языка: обзор2023
Обзор больших языковых моделей и автономных агентов в химии2024
Трансформерная нейронная сеть для специфичной к белку генерации лекарственных соединений de novo как задача машинного перевода2021
TITAN: предсказание специфичности T-клеточных рецепторов с помощью бимодальных сетей внимания2021
Прогностическая химия: машинное обучение для внедрения реакций, разработки реакций и открытия реакций2022