浙大侯廷军课题组分子生成新工作
题目:Molecular Generation with Reduced Labeling through Constraint Architecture
文献来源:https://doi.org/10.1021/acs.jcim.3c00579 (JCIM)
代码:https://github.com/jkwang93/Frag-G_M
简介:在过去的几年中,许多基于机器学习(ML)的分子生成模型被提出来生成具有理想性质的分子,但它们都需要大量的药理和物理化学性质的标签数据。然而,这些标签的实验测定,特别是生物活性标签,是非常昂贵的。在本研究中,作者分析了各种多性质分子生成模型对生物活性标签数据的依赖性,并提出了Frag-G/M,这是一种基于条件Transformer、递归神经网络(RNNs)和强化学习(RL)的基于片段的多约束分子生成框架。实验结果表明,使用相同数量的标签,Frag-G/M可以产生比基线更多的期望分子(比基线的几倍)。此外,与已知的活性化合物相比,Frag-G/M生成的分子比基线生成的分子具有更高的支架多样性,从而使其更有希望用于现实世界的药物发现场景。
主要内容:
-------------------------------------------
欢迎点赞收藏转发!
下次见!