[論文レビュー] Enabling Inverse Design in Chemical Compound Space: Mapping Quantum Properties to Structures for Small Organic Molecules

Alessio Fallani, Leonardo Medrano Sandonas+1 more|arXiv (Cornell University)|Sep 1, 2023

Machine Learning in Materials ScienceMaterials Science被引用数 3

ひとこと要約

本稿では、分子構造と量子力学的（QM）性質を共有の潜在空間に統合的に符号化する変分オートエノードアーキテクチャ（VAE）フレームワークを提示する。このフレームワークにより、目的のQM性質から3次元分子構造を生成する逆設計が可能となり、化学空間における内部座標として広範なQM性質を用いることで、分子幾何学的構造と組成の正確な再構成が達成される。

ABSTRACT

Computer-driven molecular design combines the principles of chemistry, physics, and artificial intelligence to identify novel chemical compounds and materials with desired properties for a specific application. In particular, quantum-mechanical (QM) methods combined with machine learning (ML) techniques have accelerated the estimation of accurate molecular properties, providing a direct mapping from 3D molecular structures to their properties. However, the development of reliable and efficient methodologies to enable \emph{inverse mapping} in chemical space is a long-standing challenge that has not been accomplished yet. Here, we address this challenge by demonstrating the possibility of parametrizing a given chemical space with a finite set of extensive and intensive QM properties. In doing so, we develop a proof-of-concept implementation that combines a Variational Auto-Encoder (VAE) trained on molecular structures with a property encoder designed to learn the latent representation from a set of QM properties. The result of this joint architecture is a common latent space representation for both structures and properties, which enables property-to-structure mapping for small drug-like molecules contained in the QM7-X dataset. We illustrate the capabilities of our approach by conditional generation of \emph{de novo} molecular structures with targeted properties, transition path interpolation for chemical reactions as well as insights into property-structure relationships. Our findings thus provide a proof-of-principle demonstration aiming to enable the inverse property-to-structure design in diverse chemical spaces.

研究の動機と目的

• 望ましい量子的性質から分子構造を予測するという、長年の分子逆設計の課題に取り組む。
• 分子構造とその量子力学的性質を統合的に符号化する統一された潜在空間表現を構築する。
• 学習された化学化合物空間のパrameterizationを用いて、目的の性質を持つ新しい分子構造の条件付き生成を可能にする。
• QM性質が化学空間をナビゲートするための内部座標としての解釈可能性を検証する。
• 本モデルが遷移状態の幾何学的構造の生成および反応経路の補間にどのように有用であるかを実証する。

提案手法

• 3次元幾何学的構造をコウルン行列として表現した分子構造を対象に、変分オートエノード（VAE）を学習させ、低次元の潜在表現を獲得する。
• 量子力学的性質（例：エネルギー、双極子モーメント、HOMO-LUMOギャップなど）の集合を同じ潜在空間にマップする別個の性質エンコーダーを実装する。
• 構造とそれに対応するQM性質の潜在表現を一致させるように、VAEと性質エンコーダーを同時に訓練する。
• 訓練済みの性質エンコーダーをVAEデコーダーと組み合わせ、望ましい性質ベクトルから分子構造の条件付き生成を実行する。
• 潜在空間の微分可能性を活用し、分子再構成やクラスタリングに寄与する主要な性質を同定する。
• 生成された中間的幾何学的構造を用いて反応遷移状態の補間を実行し、ナックドルド・エラスティックバンド（NEB）計算による検証を実施する。

実験結果

リサーチクエスチョン

• RQ1 量子力学的性質は、化学化合物空間をパrameterizeする有効な内部座標として機能するか？
• RQ2 共有の潜在空間表現が、性質から分子構造への正確な逆写像をどの程度可能にするか？
• RQ3 どの量子力学的性質が潜在空間において分子幾何学的構造と組成を決定づける上で最も影響力を持つか？
• RQ4 学習された潜在空間は、反応経路および遷移状態の意味的な補間をサポートできるか？
• RQ5 局所的ナビゲーションを可能にする座標として、広範な性質と強度の性質のどちらが優れているか？

主な発見

• QM7-Xデータセット上で、QM性質ベクトルから分子幾何学的構造と重い原子の組成を、妥当な精度で再構成できた。
• 統合された潜在空間により、目的の量子的性質を持つ新しい分子構造の条件付き生成が可能となり、逆設計の実現可能性が示された。
• 交換エネルギーおよび運動エネルギー成分が、化学的組成および結合種別に基づく分子のクラスタリングにおいて、最も影響力のあるQM性質であった。
• コウルン行列表現の幾何的性質を考慮すると、広範な性質が局所的ナビゲーションの座標として、強度の性質を上回って優れた性能を示した。
• 生成された遷移状態の幾何学的構造は、NEB計算の初期推定値として効果的に使用され、補間された構造と最適化された構造とのRMSDは0.14 Åから0.35 Åの範囲に収まった。
• 潜在空間を用いた測地線補間により、NEB計算値と比較してエネルギー障壁が一貫して過大評価されたことが判明し、経路再構築のための精錬の必要性が浮き彫りになった。