[論文レビュー] Probabilistic Generative Deep Learning for Molecular Design

Daniel T. Chang|arXiv (Cornell University)|Feb 11, 2019

Computational Drug Discovery Methods参考文献 28被引用数 5

ひとこと要約

本論文は、大規模な実験的および量子力学的データを活用して分子構造、特性、活性をモデル化する、確率的生成的深層学習フレームワークを提示する。潜在空間表現と深層生成モデルを統合することで、所望の特性を持つ新しい分子を構造的かつ微分可能な形で生成可能となり、データ駆動型のドラッグディスcoveryおよび材料科学の発展に寄与する。

ABSTRACT

Probabilistic generative deep learning for molecular design involves the discovery and design of new molecules and analysis of their structure, properties and activities by probabilistic generative models using the deep learning approach. It leverages the existing huge databases and publications of experimental results, and quantum-mechanical calculations, to learn and explore molecular structure, properties and activities. We discuss the major components of probabilistic generative deep learning for molecular design, which include molecular structure, molecular representations, deep generative models, molecular latent representations and latent space, molecular structure-property and structure-activity relationships, molecular similarity and molecular design. We highlight significant recent work using or applicable to this new approach.

研究の動機と目的

• 多様なデータソースを統合する包括的な確率的生成的深層学習フレームワークを分子設計のために開発すること。
• 深層生成モデルを用いて分子構造-特性および構造-活性関係をモデル化すること。
• 構造的潜在空間探索を活用して、所望の化学的および物理的特性を持つ新しい分子の発見を可能にすること。
• 既存のデータベースおよび量子力学的計算を活用して、分子生成における一般化性能および予測精度の向上を図ること。
• スケーラブルで微分可能な手法を提供し、多様性・安定性・特性最適化を満たす分子構造の生成を実現すること。

提案手法

• 変分オートエンコーダ（VAEs）やノーマライジングフローを含む深層生成モデルを用いて、連続的潜在空間における分子表現を学習する。
• 大規模な化学データベース上で、SMILESや分子グラフなどの分子表現を入力として、確率的モデルを学習する。
• 学習済み分布からのサンプリングと目的特性への条件付けを用いて、潜在空間最適化により新しい分子を生成する。
• 潜在空間における条件付きモデリングを通じて、構造-特性および構造-活性関係を生成プロセスに統合する。
• 分子生成および特性予測のバックプロパゲーションを可能にするエンドツーエンドの学習を実現するため、微分可能なニューラルネットワークを活用する。
• 生成された分子およびその予測特性における不確実性を定量化するための確率的推論を用いる。

実験結果

リサーチクエスチョン

• RQ1 どのようにして深層生成モデルを効果的に訓練し、化学的に妥当で多様な分子構造を生成できるか？
• RQ2 学習された潜在表現が、意味的な構造-特性および構造-活性関係をどの程度正確に捉えられるか？
• RQ3 潜在空間における条件付き生成が、化学的妥当性を保ちつつ、特定の特性を持つ分子を生成できるか？
• RQ4 確率的モデリングおよび不確実性の定量化は、分子設計における信頼性をどのように向上させるか？
• RQ5 実験的および量子力学的データの統合が、生成された分子の品質および多様性に与える影響は何か？

主な発見

• フレームワークは、高い多様性と構造的新規性を備えた化学的に妥当な分子を効果的に生成できた。
• 潜在空間における条件付き生成により、溶解度や結合親和定数といった特定の特性を持つ分子の的確な設計が可能となった。
• 確率的モデリングにより、生成された分子およびその予測特性における不確実性の推定が可能となった。
• 実験的および量子力学的データの統合により、生成モデルの一般化性能および予測精度が向上した。
• 本手法は、ドラッグディスcoveryおよび材料設計における大規模な化学空間探索において、スケーラビリティと有効性を示した。
• 潜在空間の分離性により、機能性基団や電子的性質といった分子特徴の解釈可能な操作が可能となった。