[論文レビュー] GraphNVP: An Invertible Flow Model for Generating Molecular Graphs

Kaushalya Madhawa, Katushiko Ishiguro+2 more|arXiv (Cornell University)|May 28, 2019

Machine Learning in Materials Science被引用数 86

ひとこと要約

GraphNVP は invertible normalizing-flow model を導入し、分子グラフを two steps (adjacency tensor and node attributes) で生成し、exact likelihood training と生成分子の高い一意性を実現します。潜在空間は化学的性質の最適化に活用できます。

ABSTRACT

We propose GraphNVP, the first invertible, normalizing flow-based molecular graph generation model. We decompose the generation of a graph into two steps: generation of (i) an adjacency tensor and (ii) node attributes. This decomposition yields the exact likelihood maximization on graph-structured data, combined with two novel reversible flows. We empirically demonstrate that our model efficiently generates valid molecular graphs with almost no duplicated molecules. In addition, we observe that the learned latent space can be used to generate molecules with desired chemical properties.

研究の動機と目的

• 薬物探索のために有効な分子グラフの効率的な生成を動機づける。
• グラフ構造データをモデル化する可逆フロー枠組みを提案し、隣接テンソルとノード属性という二つの潜在表現を持つ。
• グラフの正確な尤度最大化を達成し、特性指向の分子生成を可能にする。

提案手法

• グラフ生成を二つのステップに分解する: 隣接テンソルを生成し、ノード属性を生成する。
• A'とX'を潜在表現 z_A と z_X に変換するために、二種類の可逆的アフィン結合層（隣接結合層とノード特徴結合層）を用いる。
• フロー変換前に離散的なグラフ成分に一様ノイズを加えてデクァンティゼーションを適用する。
• 正規化フローからなる可逆変換で定常的な尤度を最大化することによりモデルを学習する。
• 生成時には潜在ベクトル z をサンプルし、逆結合ステップを適用して確率的な隣接テンソルを得て、離散的な隣接を導出し、次に隣接に条件付けてノード特徴を生成する。

実験結果

リサーチクエスチョン

• RQ1 可逆フロー・モデルは、ドメイン固有の妥当性支柱なしで高い一意性を持つ有効な分子グラフを生成できるか。
• RQ2 二段階生成（隣接 → ノード属性）が分子グラフの妥当性と再構成性能を改善するか。
• RQ3 学習済み潜在空間は特性指向の分子最適化に適しているか。
• RQ4 GraphNVP は標準的な分子グラフベンチマーク（QM9, ZINC-250k）において、妥当性、独自性、再構成、新規性の観点で VAE や GAN と比較してどうか。

主な発見

• GraphNVP は高い妥当性と再構成性を達成し、生成分子の重複が極めて少ない高い一意性を示す。
• 可逆設計により再構成精度を保証（R = 100%）。
• 潜在空間の操作により、簡単な線形法やベイズ的方法で望ましい化学特性（例: QED）へ生成を誘導できる。
• 訓練分子の周りの潜在空間補間は生成構造に滑らかな遷移を生み出し、局所的な分子最適化を容易にする。
• 二段階生成法（構造 → 属性）は分子のグラフ生成を効率的かつ有効にサポートする。