将图卷积神经网络用于解码分子生成

©PaperWeekly 原创 · 作者｜张玮玮

学校｜东北大学硕士

研究方向｜脑电情绪识别

论文标题：

A Two-Step Graph Convolutional Decoder for Molecule Generation

论文链接：

https://arxiv.org/abs/1906.03412

引言

1.1 论文动机

药物发现和材料科学的一个基本问题是设计具有优化化学性质的任意分子。由于分子本质上是组合在一起的，化学结构中的任何小扰动都可能导致所需分子性质的大变化。因此，这是一个极具挑战性的数学和计算问题。

此外，随着原子和键的组合排列数量的不断增加，有效分子的空间也越来越大。目前，大多数药物都是经过化学和药理学专家多年的反复试验而制作的。最近机器学习和深度学习的进展开辟了一个新的研究方向，有望学习这些分子空间来优化分子生成，减少实验流程。

1.2 论文工作

论文提出了一个分子生成自动编码器框架。分子图首先被编码成一个连续的潜在表示 ，然后再被解码回一个分子。编码过程很简单，但解码过程仍然具有挑战性。

在本工作中，我们介绍了一个简单的两步译码过程。在第一步，一个完全连接的神经网络使用潜在的向量 生成一个分子式，例如二氧化碳（一个碳和两个氧原子）。

在第二步中，图形卷积神经网络使用相同的潜在向量 在第一步中产生的原子之间建立键（例如，将在碳和每个氧之间建立一个双键）。这个两步过程，首先生成一袋原子，然后组装，允许开发一个高效的分子自动编码器。

本文方法

图1表示自动编码器框架。在本节中，详细介绍系统的各个部分：

2.1 分子编码器

每个原子类型和边缘类型首先嵌入到空间 中，然后这些特征通过 层图神经网络进行处理。本文使用 Bresson 和 Laurent 中引入的 garph ConvNet 技术来计算隐藏节点和边缘特征表示。 表示节点特征， 表示边