GraphNVP | 用于分子图生成的可逆流模型

分子生成

具有理想药理特性新分子的发现是计算药物发现中的关键问题。传统上，这项任务是通过临床合成候选化合物并对其进行实验来完成的。但是，由于化学空间是巨大的，合成分子并对其进行广泛的实验是非常耗时的任务。从头设计药物不是在分子中寻找具有所需特性的空间，而是设计具有我们感兴趣特性的新化合物。

事实证明，深度学习的最新进展，尤其是深度生成模型在从头药物设计中具有不可估量的价值。

分子表征

将深度学习应用于分子生成的重要步骤是如何表示化合物。早期的模型依赖于SMILES的基于字符串的表示形式  。基于RNN的语言模型或变分自动编码器（VAE）用于生成SMILES字符串，然后将其转换为分子。使用SMILES的一个主要问题是，尽管相应的SMILES几乎相似，但它们对SMILES的细微变化并不稳健，从而导致分子截然不同。这些问题促使最近的研究依靠分子的更具表现力的图形表示。因此，这个问题被称为  分子图生成。

分子由无向图表示，其中原子和键分别表示节点和边缘。分子的结构由邻接张量表示和节点特征矩阵 X 用于表示原子的类型（例如，氧，氟等）。分子生成问题简化为可以表示有效分子的图的生成，可以利用诸如GAN或VAE之类的深度生成模型的问题。可以根据以前的工作如何生成图形将其分为两类。一些模型顺序生成分子图   ，从而以逐步的方式添加节点（原子）和边缘（键）。替代方法很简单，只需一步  即可以与图像生成模型类似的方式生成图形  。

可逆性的重要性

与上面介绍的VAE和GAN相比，使用可逆流的模型的优势在于可以直接使可能性最大化。

精确的优化 对于药物的分子生成至关重要，因为它们对单个原子（节点）的微小替换高度敏感。流模型的另一个优点是，由于它们是设计可逆的，因此可以保证完美的重构，并且不需要耗时的过程。只需在潜在矢量上运行模型的相反步骤，即可生成分子图。此外，GAN模型中缺少编码器，这使操作样本生成具有挑战性。例如，使用GAN模型生成类似于查询分子的分子（例如，用于药物发现的前导优化）并不容易，而基于流的模型则很容易。

模型

GraphNVP

GraphNVP是第一个基于可逆流的图形生成模型，该模型遵循一次生成策略。引入了两种潜在表示，一种用于节点分配，另一种用于邻接张量，以分别捕获图结构及其节点分配的未知分布。使用两种新类型的耦合层：邻接耦合 和 节点特征耦合， 以获取这两个潜在表示。在图生成过程中，首先生成邻接张量，然后使用图卷积网络生成节点特征张量  。

结果

从训练集中随机选择一个分子并将其编码为潜在载体 ž0 使用提出的模型。然后，选择两个彼此正交的随机轴。解码位于这两个轴跨越的二维网格上的潜点 ž0 作为起源。下面的可视化表示所学习的潜在空间是平滑的，因此相邻的潜在点对应于具有微小变化的分子。

参考资料

• https://arxiv.org/abs/1905.11600

• https://github.com/pfnet-research/graph-nvp

作者&编辑丨王建民

研究方向丨药物设计、生物医药大数据

DrugAI

（ 扫描下方二维码订阅获取最新消息！）