[논문 리뷰] Barking up the right tree: an approach to search over molecule synthesis DAGs

John Bradshaw, Brooks Paige외 3명|PolyPublie (École Polytechnique de Montréal)|2020. 12. 21.

Machine Learning in Materials Science참고 문헌 100인용 수 9

한 줄 요약

이 논문은 분자의 합성 방향 비순환 그래프(DAG)를 직접 출력하는 딥 생성 모델을 제안하며, 생성 과정에 합성 가능성(가능성)을 통합한다. DAG 노드 간의 계층적 신경 메시지 전달과 효율적인 직렬화를 통해 생성된 분자가 화학적으로 다양하고 합성 가능하도록 보장함으로써, 실제 합성 제약 조건을 고려하면서도 목표 성질을 효과적으로 최적화할 수 있다.

ABSTRACT

When designing new molecules with particular properties, it is not only important what to make but crucially how to make it. These instructions form a synthesis directed acyclic graph (DAG), describing how a large vocabulary of simple building blocks can be recursively combined through chemical reactions to create more complicated molecules of interest. In contrast, many current deep generative models for molecules ignore synthesizability. We therefore propose a deep generative model that better represents the real world process, by directly outputting molecule synthesis DAGs. We argue that this provides sensible inductive biases, ensuring that our model searches over the same chemical space that chemists would also have access to, as well as interpretability. We show that our approach is able to model chemical space well, producing a wide range of diverse molecules, and allows for unconstrained optimization of an inherently constrained problem: maximize certain chemical properties such that discovered molecules are synthesizable.

연구 동기 및 목표

• 현재의 딥 생성 모델이 높은 화학적 다양성 尽管도 비합성 가능한 화합물을 생성하는 경향이 있기 때문에, 이러한 격차를 보완하기 위함.
• 다단계 합성 경로를 방향 비순환 그래프(DAG)로 형식화하여 화학 합성의 계층적이고 재귀적인 성격을 반영하기 위함.
• 합성 DAG의 다양한 수준 간에 정보를 교환할 수 있는 신경 메시지 전달 프레임워크를 개발하여 구조적 표현 학습을 가능하게 하기 위함.
• 모든 생성된 분자가 합성 가능하도록 보장하면서도, 분자 성질(예: 결합 친화도, 용해도 등)에 대한 제약 없는 최적화를 가능하게 하기 위함.
• 단지 분자뿐 아니라 유효한 완전한 합성 경로까지 생성함으로써, 이해 가능성과 실용성을 제공하기 위함.

제안 방법

• 각 노드가 분자를 나타내고 간선이 화학 반응을 나타내는 DAG로 합성 경로를 표현함으로써, 분자와 노드 사이에 일대일 대응을 확보한다.
• 기초 물질에서 최종 제품에 이르기까지 DAG의 다양한 수준 간에 정보를 전달하는 계층적 신경 메시지 전달 메커니즘을 설계한다.
• 합성 DAG에 대한 효율적인 직렬화 절차를 도입하여 표준 딥 러닝 프레임워크 및 아키텍처와의 호환성을 확보한다.
• 기존의 변동형 오토인코더(VAE) 및 강화 학습(RL) 파이프라인과 같은 아키텍처에 DAG 기반 생성 모델을 통합하여 분자 최적화를 위한 활용을 가능하게 한다.
• 초기 단계부터 의미적 타당성과 합성 가능성을 보장하기 위해 사전 정의된 가상의 빌딩 블록 및 가상의 반응을 도입한다.
• 합성 가능성에 제약을 가하는 검증 가능한 탐색 공간을 제공하기 위해 DAG의 구조를 인덕티브 바이어스로 활용한다.

실험 결과

연구 질문

• RQ1 합성 DAG를 출력하는 딥 생성 모델이 모든 생성된 분자가 합성 가능하도록 보장하면서도 화학 공간을 효과적으로 포괄할 수 있는가?
• RQ2 DAG 노드 간의 계층적 메시지 전달이 복잡한 다단계 합성 경로의 표현을 어떻게 향상시키는가?
• RQ3 합성을 DAG로 모델링할 경우, 문자열 기반 또는 그래프 기반 모델 대비 생성된 분자의 다양성과 품질은 어느 정도 향상되는가?
• RQ4 제안된 모델은 합성 가능성을 희생시키지 않고도 분자 성질의 효과적인 최적화를 가능하게 하는가?
• RQ5 기존의 딥 러닝 프레임워크(VAE, RL 등)에 합성 DAG를 통합할 경우, 분자 설계 과업에서 성능 향상은 어느 정도 이루어지는가?

주요 결과

• 제안된 모델은 실제 사례(예: 파라세타몰)가 포함된 합성 DAG를 통해 화학적으로 타당하고 다양한 분자를 모두 합성 가능하도록 효과적으로 생성한다.
• 계층적 메시지 전달 메커니즘이 다양한 반응 수준 간에 효과적인 정보 흐름을 가능하게 하여, 복잡한 다단계 합성 경로에 대한 추론 능력을 향상시킨다.
• 모델는 합성 가능성을 명시적으로 강제함으로써 경쟁적인 성능을 달성하였으며, 후속 최적화 과업에서 제약이 없는 모델보다 뛰어난 성능을 보였다.
• 합성 DAG의 직렬화로 인해 표준 딥 러닝 프레임워크(예: 변동형 오토인코더, 강화 학습 에이전트 등)와 원활한 통합이 가능해졌다.
• 모델은 이해 가능한 합성 경로를 제공하여 화학자들이 실험적 검증을 위한 실질적인 경로를 쉽게 확보할 수 있도록 한다.
• 합성 가능성 요건을 생성 과정에 통합함으로써 후행 합성 계획 단계의 필요성을 줄여 설계-제작-시험-분석 사이클의 가속화를 이룬다.