ReleaSE：从头设计药物的深度学习方法

彦木沐滚去学习

已于 2024-04-28 23:44:22 修改

阅读量750

点赞数 22

文章标签：深度学习

于 2024-04-26 12:33:55 首次发布

本文链接：https://blog.csdn.net/qq_55240560/article/details/138215106

版权

本文介绍了一种名为ReleaSE的深度学习方法，用于从头设计药物。该方法结合了生成和预测两个深度神经网络，通过强化学习优化，生成具有特定化学和生物性质的分子。ReleaSE的生成模型使用堆栈增强的记忆网络产生SMILES字符串，而预测模型则预测分子的性质并提供奖励/处罚。通过这种方法，ReleaSE能设计出具有不同物理、生物和化学性质的化合物，如熔点、疏水性和JAK2抑制活性。

摘要由CSDN通过智能技术生成

原文链接

摘要：

本文作者开发了一种用于从头设计药物的深度学习方法ReleaSE（Reinforcement Learning for Structural Evolution）。ReleaSE分别单独训练了两个深度神经网络，作用分别是生成和预测，整合在一起，用于生成新型目标化学分子，并且仅使用化学分子的SMILES字符串作为输入和输出。

生成模型类似于actor，结合了堆栈增强的记忆网络（stack-augmented memory network）产生化学上可使用的SMILES字符串，即产生新的化学分子；预测模型则类似于一个评论家（critic），从生成的分子中获得预期的性质，并对其奖励/处罚（reward/penalty），实现具有目标性质化学物质的从头设计的预测。

第一阶段中，生成和预测模型先通过监督学习算法单独训练，第二阶段中，两个模型联合在一起，结合强化学习（RL）方法训练，以获得具有预期物化/生物性质的分子，一起训练时，生成模型在最大化reward函数的背景下训练。

概念（模型）验证阶段，使用ReLeaSE方法设计了化学文库，包括结构复杂性或具有最大、最小或特定物理性质范围的化合物，如熔点或疏水性，或对Janus蛋白激酶2具有抑制活性的化合物。

1 Introduction

（摘要中对方法的阐释比较详细了，Introduction更倾向于讨论提出该方法的过程）

2 Results

ReleaSE方法包括两个深度神经网络（图1），这里分别称为G模型（Generative）和P模型（Predictive）。

图A和B是G模型（actor）的训练及生成过程。图A：Generative stack-RNN的训练步骤，图B：Generatve stack-RNN的生成步骤。生成模型的输入是来自SMILES数据集字符串的一个字母，输出给定前缀（prefix）的下一个字母的概率向量 $p_{\Theta }(a_{t}|s_{t-1})$ ，参数 $\Theta$ 的优化通过最小化交叉熵（cross-entropy）损失函数实现。经 $p_{\Theta }(a_{t}|s_{t-1})$ 的随机采样产生 $a_{t}$ 。