尤度のない分子グラフの推論と生成

Likelihood-Free Inference and Generation of Molecular Graphs
Sebastian Polsterl, Christian Wachinger arXiv:1905.10310

新規分子を生成するための近年の手法は,分子のグラフ表現の利用と推論のために様々な形態のグラフ畳み込みニューラルネットワークを採用している.しかしながら,訓練は高度なグラフ同型性問題を解くことを必要とし,これまでのアプローチは問題に対して近似的にしか対処や解決しなかった.本研究では,再構成ロスを明示的に計算することを回避するde novo分子生成のための尤度のないアプローチを用いたLF-MolGANを提案する.我々のアプローチは,暗黙のうちに再構成特性を強化するために敵対的なcycle consistencyロスの計算を含めることにより,敵対的生成ネットワークを拡張した.原子価などの分子固有の特性を捉えるために,Graph Isomorphism Networkをマルチグラフに拡張する.モデルの性能を定量化するために,我々は1-Wasserstein距離を用いて物理化学的特性の分布間の距離を計算することを提案する.我々は,LF-MolGANが全てのベースラインよりも分子の空間上の分布をより正確に学習することを証明します.さらに,分子の連続的な潜在空間表現を用いて分子の空間を効率的に探索することによって創薬に利用することが可能である.