[論文レビュー] ChemBO: Bayesian Optimization of Small Organic Molecules with Synthesizable Recommendations

Ksenia Korovina, Sailun Xu+5 more|arXiv (Cornell University)|Aug 5, 2019

Computational Drug Discovery Methods参考文献 46被引用数 39

ひとこと要約

ChemBOは、最適輸送に着想を得たカーネルと合成グラフに導かれた獲得戦略を用いて、合成可能な小分子有機化合物を探索するガウス過程ベースのベイズ最適化フレームワークを導入し、評価回数を抑えつつ競争力のあるQEDおよびPen-logPスコアを達成します。

ABSTRACT

In applications such as molecule design or drug discovery, it is desirable to have an algorithm which recommends new candidate molecules based on the results of past tests. These molecules first need to be synthesized and then tested for objective properties. We describe ChemBO, a Bayesian optimization framework for generating and optimizing organic molecules for desired molecular properties. While most existing data-driven methods for this problem do not account for sample efficiency or fail to enforce realistic constraints on synthesizability, our approach explores the synthesis graph in a sample-efficient way and produces synthesizable candidates. We implement ChemBO as a Gaussian process model and explore existing molecular kernels for it. Moreover, we propose a novel optimal-transport based distance and kernel that accounts for graphical information explicitly. In our experiments, we demonstrate the efficacy of the proposed approach on several molecular optimization problems.

研究の動機と目的

• 動機：合成可能性を確保しつつ、望ましい特性を持つ分子を設計する。
• 目標：合成制約を尊重しつつ、サンプル効率の高いBOを用いて目的特性（QED、Pen-logP）を最大化する。
• 貢献：新規カーネルと合成誘導獲得プロセスを備えたGPモデルを開発する。
• 目標の整合性：化学者に対して実用的な合成レシピと候補分子を提供する。

提案手法

• モデル：分子の構造-特性関係を扱うGaussian process。
• カーネル：指紋ベースのカーネルとグラフ間の新規な最適輸送に基づく非類似度を組み合わせたアンサンブルカーネルとして用いる。
• 獲得戦略：合成可能性を保証し合成レシピを提供するため、合成グラフ上で獲得最適化を実行する。
• 合成グラフ：ノードは分子、エッジ/親は試薬と反応条件で定義される。獲得を最大化するためのランダムウォークベースの探索。
• 最適化設定：指紋カーネル、ot-distカーネル、およびそれらの和（sum-kernel）をランダムウォークベースラインと比較。
• 評価：2つの目的関数（QEDとPen-logP）で80回のBO反復（合計100回の評価）、初期分子20個はChEMBLから。

実験結果

リサーチクエスチョン

• RQ1 合成を意識した制約を組み込んだGPベースのベイズ最適化は、分子特性を効率的に最適化できるか。
• RQ2 最適輸送に基づく分子非類似性を組み込むことで、ChemBOは従来の指紋カーネルより性能を改善するか。
• RQ3 合成グラフに導かれた獲得戦略は、素朴なまたはランダムな合成探索と比較して高品質な分子の同定にどのように寄与するか。
• RQ4 限られた評価数での合成制約下で、最終的に達成可能なQEDとPen-logPスコアは何か。

主な発見

• ChemBOのバリアントは、QEDとPen-logPの両方のベンチマークでランダムウォークベースラインを上回った。
• ot-distはQEDを高く、fingerprintはPen-logPを高くする。sum-kernelは分散を抑えた堅牢なトレードオフを提供する。
• 最終結果（80回の評価）: QED: rand 0.90±0.01, fingerprint 0.91±0.01, ot-dist 0.93±0.01, sum-kernel 0.94±0.01; Pen-logP: rand 6.81±0.34, fingerprint 9.79±2.26, ot-dist 8.10±1.01, sum-kernel 8.65±0.43。
• ChemBOは、目的とカーネルに応じて78–96%の新規性を持つ新規分子を発見する。
• 合成経路の健全性チェックは、最終分子のSAスコアをChEMBL/ZINCデータセットと比較して妥当な範囲に収めている。
• ChemBOは、いくつかの最先端手法と比較して競争力のあるまたはより高いスコアを、はるかに少ない評価数（100 BO反復、5試行）で達成する。