[論文レビュー] Likelihood-Free Inference and Generation of Molecular Graphs

Sebastian Pölsterl, Christian Wachinger|arXiv (Cornell University)|May 24, 2019

Computational Drug Discovery Methods参考文献 22被引用数 8

ひとこと要約

LF-MolGANは、グラフ同型性の計算を避けるために再構成を暗黙的に強制するサイクル整合性損失を用いた敵対的訓練を用いる、分子グラフの尤度なし生成モデルを提案する。グラフ同型性ネットワーク（GIN）を分子の価数制約を満たすためにマルチグラフに拡張し、1-Wasserstein距離を用いて物理的・化学的性質の分布の一致を向上させることで、連続的ラティス空間探索による有効なドラッグディスcoveryを可能にする。

ABSTRACT

Recent methods for generating novel molecules use graph representations of molecules and employ various forms of graph convolutional neural networks for inference. However, training requires solving an expensive graph isomorphism problem, which previous approaches do not address or solve only approximately. In this work, we propose LF-MolGAN, a likelihood-free approach for de novo molecule generation that avoids explicitly computing a reconstruction loss. Our approach extends generative adversarial networks by including an adversarial cycle-consistency loss to implicitly enforce the reconstruction property. To capture properties unique to molecules, such as valence, we extend Graph Isomorphism Network to multi-graphs. To quantify the performance of models, we propose to compute the distance between distributions of physicochemical properties with the 1-Wasserstein distance. We demonstrate that LF-MolGAN more accurately learns the distribution over the space of molecules than all baselines. Moreover, it can be utilized for drug discovery by efficiently searching the space of molecules using molecules' continuous latent representation.

研究の動機と目的

• 分子グラフ生成におけるグラフ同型性計算の計算コストの問題を解決すること。
• 明示的な再構成損失計算を避ける尤度なし手法の開発。
• マルチグラフグラフニューラルネットワークを用いて、価数などの分子固有の性質をよりよくモデリングすること。
• 実分子と生成分子の物理的・化学的性質分布間の類似度を1-Wasserstein距離で測定してモデルの性能を評価すること。
• ドラッグディスcoveryのための効率的な分子空間探索を可能にする連続的ラティス表現の活用。

提案手法

• 分子グラフ生成のための生成的敵対的ネットワーク（GAN）フレームワークを採用し、識別器と生成器を用いる。
• 明示的な同型性マッチングを避けるために、再構成を暗黙的に強制する敵対的サイクル整合性損失を導入する。
• 分子の価数ルールを符号化するために、マルチグラフ構造を扱えるようにグラフ同型性ネットワーク（GIN）を拡張する。
• 分子の連続的ラティス空間を用いて、分子空間における効率的な探索を可能にする。
• 実分子と生成分子の物理的・化学的性質の分布類似度を測定するために1-Wasserstein距離を用いる。
• 生成器を訓練して、生成分子が実分子の性質空間におけるターゲット分布と一致するようにする。

実験結果

リサーチクエスチョン

• RQ1 尤度なしの生成モデルは、明示的な再構成損失なしに分子グラフの分布を効果的に学習できるか？
• RQ2 サイクル整合性損失は、分子グラフ生成における構造的忠実性をどの程度効果的に強制できるか？
• RQ3 GINをマルチグラフに拡張することで、分子の価数制約のモデリングはどの程度向上するか？
• RQ4 1-Wasserstein距離は、分子性質分布の比較に信頼できる指標として機能するか？
• RQ5 学習された連続的ラティス表現は、ドラッグディスCOVERYのための分子空間の効率的かつ効果的な探索を可能にするか？

主な発見

• LF-MolGANは、すべてのベースライン手法よりも分子グラフの分布をより正確に学習する。
• 1-Wasserstein距離による測定において、物理的・化学的性質の分布の一致が向上している。
• サイクル整合性損失の使用により、明示的な同型性計算なしに効果的な再構成が可能である。
• GINをマルチグラフに拡張することで、分子の価数ルールのモデリングが向上した。
• 連続的ラティス表現により、ドラッグディスCOVERYの応用における分子空間の効率的かつ効果的な探索が可能になった。
• 本手法は、望ましい性質を持つ多様で化学的に妥当な分子を生成する点で、ベースラインを上回った。