[논문 리뷰] Chemception: A Deep Neural Network with Minimal Chemistry Knowledge Matches the Performance of Expert-developed QSAR/QSPR Models

Garrett B. Goh, Charles Siegel외 3명|arXiv (Cornell University)|2017. 06. 20.

Computational Drug Discovery Methods참고 문헌 45인용 수 115

한 줄 요약

Chemception은 2D 분자 그림의 이미지에 직접 심층 CNN을 학습시키고 명시적 화학 지식이나 서술자(descriptors) 없이 여러 특성에 대해 전문가가 개발한 QSAR/QSPR 모델과 동일하거나 약간 우수하게 일치합니다.

ABSTRACT

In the last few years, we have seen the transformative impact of deep learning in many applications, particularly in speech recognition and computer vision. Inspired by Google's Inception-ResNet deep convolutional neural network (CNN) for image classification, we have developed "Chemception", a deep CNN for the prediction of chemical properties, using just the images of 2D drawings of molecules. We develop Chemception without providing any additional explicit chemistry knowledge, such as basic concepts like periodicity, or advanced features like molecular descriptors and fingerprints. We then show how Chemception can serve as a general-purpose neural network architecture for predicting toxicity, activity, and solvation properties when trained on a modest database of 600 to 40,000 compounds. When compared to multi-layer perceptron (MLP) deep neural networks trained with ECFP fingerprints, Chemception slightly outperforms in activity and solvation prediction and slightly underperforms in toxicity prediction. Having matched the performance of expert-developed QSAR/QSPR deep learning models, our work demonstrates the plausibility of using deep neural networks to assist in computational chemistry research, where the feature engineering process is performed primarily by a deep learning algorithm.

연구 동기 및 목표

• 명시적 화학 지식이나 서술자(descriptors) 없이 2D 분자 그림의 이미지만을 사용하여 화학적 특성을 예측할 수 있는 심층 합성곱 신경망(CNN)의 가능성을 평가한다.
• 독성, 활성도, 용해도 과제에서 전문가가 개발한 QSAR/QSPR 모델(ECFP 지문을 가진 MLP와 비교)과 Chemception을 비교한다.
• 약 600에서 40,000개의 화합물에 이르는 보통 규모의 데이터셋 범위에서 성능을 평가한다.

제안 방법

• Inception-ResNet에서 영감을 받은 심층 CNN인 Chemception을 개발하고 입력으로 2D 분자 그림을 사용합니다.
• 명시적 화학 개념이나 서술자를 사용하지 않고 보통 규모의 데이터셋에서 모델을 학습합니다.
• ECFP 지문을 사용하는 다층 퍼셉트론(MLP) 네트워크와 벤치마크를 수행합니다.
• 독성, 활성도 및 용해도 예측 과제에서 성능 격차와 유사점을 평가합니다.

실험 결과

연구 질문

• RQ1 2D 분자 그림만으로 학습된 심층 CNN이 엔지니어링된 서술자에 의존하는 전문가 개발 QSAR/QSPR 모델과 비슷한 성능을 낼 수 있을까?
• RQ2 Chemception은 독성, 활성도, 용해도 과제에서 서술자 기반 MLP 모델에 비해 어떤 성능을 보이는가?
• RQ3 QSAR/QSPR 맥락에서 최소한의 화학 지식으로도 정확한 특성 예측이 가능한가?

주요 결과

• Chemception은 활성도 및 용해도 예측에서 ECFP 지문을 가진 MLP보다 약간 우수하다.
• 독성 예측에서 Chemception은 ECFP 지문의 MLP보다 약간 부족하다.
• Chemception은 최소한의 화학 지식을 사용한 전문가가 개발한 QSAR/QSPR 딥러닝 모델의 성능과 일치한다.
• 이 방법은 딥러닝이 화학 특성 예측을 위해 사실상 특징 공학을 암묵적으로 수행할 수 있음을 보여준다.
• 연구에 사용된 데이터셋은 대략 600에서 40,000개의 화합물 범위이다.