Автоматическое проектирование химических соединений с использованием управляемого данными непрерывного представления молекул

Automatic Chemical Design Using a Data-Driven Continuous Representation of Molecules
Alán Aspuru‐Guzik, Rafael Gómez-Bombarelli, Jennifer N. Wei, David Duvenaud, José Miguel Hernández-Lobato, Benjamín Sánchez-Lengeling, Dennis Sheberla, Jorge Aguilera-Iparraguirre, Timothy D. Hirzel, Ryan P. Adams, Alán Aspuru-Guzik, Rafael Gómez‐Bombarelli, Jennifer N. Wei, David Duvenaud, José Miguel Hernández-Lobato, Dennis Sheberla, Jorge Aguilera‐Iparraguirre, Ryan Prescott Adams
2018-01-12

непрерывное представление молекулглубокая нейронная сетьлекарственноподобные молекулыоптимизация в латентном пространствепредсказание свойств молекул
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.
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.

лекарственноподобные молекулы и молекулы, содержащие менее девяти атомов тяжёлых элементов

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
Access Type
Author Information
Authors
Alán Aspuru‐Guzik
Rafael Gómez-Bombarelli
Jennifer N. Wei
David Duvenaud
José Miguel Hernández-Lobato
Benjamín Sánchez-Lengeling
Dennis Sheberla
Jorge Aguilera-Iparraguirre
Timothy D. Hirzel
Ryan P. Adams
Alán Aspuru-Guzik
Rafael Gómez‐Bombarelli
Jennifer N. Wei
David Duvenaud
José Miguel Hernández-Lobato
Dennis Sheberla
Jorge Aguilera‐Iparraguirre
Ryan Prescott Adams
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%