敵対的に正規化されたオートエンコーダに基づく分子生成モデル

Molecular Generative Model Based On Adversarially Regularized Autoencoder
Seung Hwan Hong,Jaechang Lim, Seongok Ryu, and Woo Youn Kim Journal of Chemical Information and Modeling,10 December 2019

分子設計の新しい有望な手法として,深層生成モデルが大きな注目を集めている.これまでに報告された全てのモデルは,変分オートエンコーダー(VAE)または,敵対的生成ネットワークに基づいている.ここでは,敵対的に正規化されたオートエンコーダー(ARAE)に基づく新たなモデルを提案する.基本的にVAEのように潜在変数を使用するが,潜在変数の分布はGANで行われるような敵対的学習によって獲得する.後者では,VAEでの事後分布の不適切な近似と,GANによる離散変数の処理の困難さを回避する事が目的である.我々のベンチマーク研究では,生成分子毎に有効性,一意性,新規性の点でARAEが従来のモデルを上回る事が示された.また,我々は単一及び複数の性質制御の両ケースにおいて,ARAEを用いた薬らしい分子の条件付き生成の成功を実証した.潜在的な実世界のアプリケーションとして,既知の活性分子の土台を共有すると同時に,薬らしい分子のような条件を満たしたEGFR阻害剤の生成が可能である.

in silicoにおける所望の化学的性質を持つ新規分子のde novo生成のための敵対的オートエンコーダ druGAN

druGAN An Advanced Generative Adversarial Autoencoder Model for de Novo Generation of New Molecules with Desired Molecular Properties in Silico
Artur Kadurin,Sergey Nikolenko,Kuzma Khrabrov,Alex Aliper,Alex Zhavoronkov Jornsl of Molecular Pharmaceutics,Volume 14,Pages 3098-3104,13 July 2019

深層敵対的生成ネットワークは創薬やバイオマーカー開発領域において,新たに出現した技術である.我々の近年の研究において,我々は予め定義した抗ガン特性を持つ新しい分子のフィンガープリントを特定するために,深層敵対的オートエンコーダの実装の概念を証明した.別の有名な生成モデルとして深層ニューラルアーキテクチャを元にしたVAEがある.この研究では我々は分子の特徴抽出問題のための先進的な敵対的オートエンコーダを開発し,生成されたフィンガープリントの調整可能性,大規模分子データセットの処理能力,回帰モデルのための教師無し学習の効率に関して,VAEと比較して優れている事を証明した.我々の提案した敵対的オートエンコーダモデルは特定の抗ガン特性を持つ新しい分子の開発効率と性能を大幅に向上させた.