2020 Front. Pharmacol | Molecular Sets (MOSES): A Benchmarking Platform for Molecular Generation Mod

发呆的比目鱼

已于 2022-06-13 22:55:44 修改

阅读量864

点赞数 1

分类专栏： DrugAi 文章标签：人工智能深度学习机器学习

于 2022-06-07 12:15:38 首次发布

本文链接：https://blog.csdn.net/weixin_42486623/article/details/125160508

版权

DrugAi 专栏收录该内容

186 篇文章 198 订阅

订阅专栏

本文由香港英矽科医药有限公司、哈佛大学、瑞士阿斯利康、俄罗斯国立研究大学、多伦多大学、多伦多人工智能矢量研究所等发表在Front. Pharmacol., 18 December 2020

Paper:https://arxiv.org/abs/1811.12823
Code: https://github.com/molecularsets/moses

2020 Front. Pharmacol | Molecular Sets (MOSES): A Benchmarking Platform for Molecular Generation Models

摘要

生成模型正在成为探索分子空间的首选工具。这些模型在大型训练数据集上学习，并产生具有相似特性的新型分子结构。生成的结构可用于虚拟筛选或在下游任务中训练半监督预测模型。虽然有很多生成模型，但尚不清楚如何对它们进行比较和排名。在这项工作中，引入了一个名为 Molecular Sets (MOSES) 的基准测试平台来标准化分子生成模型的训练和比较。MOSES 提供训练和测试数据集，以及一组指标来评估生成结构的质量和多样性。并比较了几种分子生成模型，并建议将结果作为参考点，以进一步推动生成化学研究。

介绍

在这项工作中，分子生成提供了一个基准套件——分子集 (MOSES)：标准化数据集、数据预处理实用程序、评估指标和分子生成模型。能够为当前和未来的生成模型提供清晰统一的测试平台。如下图1所示：

图1:分子集合(MOSES)管道。开源库提供了数据集、基线模型和评估指标

分布学习

分布学习模型。给定一组训练样本 $X_{tr}=\{x_1^{tr}, x_2^{tr}, ...,x_N^{tr}\}$ 来自一个未知的分布 $p (x)$ ，分布学习模型近似 $p (x)$ 与一些分布 $q (x)$ 。

分布学习模型的质量是 $p (x)$ 和 $q (x)$ 之间的偏差度量。该模型可以隐式或显式定义一个概率质量函数 $q (x)$ 。比如隐马尔可夫模型、N元语言模型或规范化流等显式模型可以解析计算 $q (x)$ 并从中采样。隐式模型，如变分自编码器、对抗性自编码器或生成式对抗网络可以从 $q (x)$ 中采样，但不能计算概率质量函数的确切值。为了比较模型，本文评价指标仅依赖于q(x)的样本。

分子表示

图2. 对香兰素分子的不同表示

字符串表示：将分子结构表示为字符串。SMILES 算法以深度优先顺序遍历分子图的生成树，并存储原子和边标记。
DeepSMILES：作为 SMILES 的扩展被引入，通过改变分支和闭环的语法来减少无效序列。
分子图: 在分子图中，每个节点对应一个原子，每条边对应一个键。这样的图可以显式或隐式指定氢。

指标

有效 (Valid) 和唯一 (Unique@k)：生成SMILES 字符串的有效性和唯一性。使用 RDKit 的分子结构解析器来定义有效性，该解析器检查原子的化合价和芳环中键的一致性。
新颖性：生成的分子中不存在于训练集中的部分。低新颖性表明过度拟合。
过滤器: 虽然生成的分子通常在化学上是有效的，但它们可能包含不需要的片段：在构建训练数据集时，我们删除了带有此类片段的分子，并期望模型避免产生它们。
片段相似度 (Frag): 表示cf(A)子结构f在集合A的分子中出现的次数，以及一组出现在G或R中的片段为f，度量被定义为余弦相似度:
支架相似度 (Scaff):用该算法的 RDKit 实现，该算法另外将连接到环上的羰基视为支架的一部分。表示cs(A)从集合A中分子中出现支架s的次数，以及一组出现在G或R中的片段的次数为s，度量被定义为余弦相似度:
与最近邻相似度 (SNN): 一个分子 $m_G$ 的指纹均值Tanimoto相似度 $T(m_G,m_R)$ (也称为Jaccard指数)与参考数据集 $R$ 中最近邻分子 $m_R$ 之间的均值Tanimoto相似度 $T(m_G,m_R)$
内部多样性 (IntDivp ) :该度量的较高值对应于生成集中较高的多样性。该指标的限制为 [0,1]。
Fréchet ChemNet 距离 (FCD) :使用深度神经网络 ChemNet 的倒数第二层的激活来计算的，该网络经过训练可预测药物的生物活性。μG,μR是平均向量和ΣG,ΣR分别是来自集合G和R的分子的激活的全协方差矩阵。
属性分布
- 分子量 (MW): 分子中原子量的总和。
- LogP：辛醇-水分配系数
- 合成可及性分数 (SA):对合成给定分子的难易程度 (10) 或难易程度 (1) 的启发式估计。
- 药物相似性的定量估计 (QED): 一个 [0,1] 值，用于估计分子成为药物可行候选者的可能性。