[논문 리뷰] Enabling Inverse Design in Chemical Compound Space: Mapping Quantum Properties to Structures for Small Organic Molecules

Alessio Fallani, Leonardo Medrano Sandonas외 1명|arXiv (Cornell University)|2023. 09. 01.

Machine Learning in Materials ScienceMaterials Science인용 수 3

한 줄 요약

이 논문은 분자의 구조와 양자역학적(QM) 성질을 공유 잠재공간에 함께 인코딩하는 변분 오토인코더(VAE) 프레임워크를 제안하며, 목표 QM 성질에서 3차원 분자 구조를 생성함으로써 역설계를 가능하게 한다. 이 방법은 화학적 공간 내에서 내재된 좌표로 광범위한 QM 성질을 사용하여 분자 기하학과 조성을 정확히 재구성한다.

ABSTRACT

Computer-driven molecular design combines the principles of chemistry, physics, and artificial intelligence to identify novel chemical compounds and materials with desired properties for a specific application. In particular, quantum-mechanical (QM) methods combined with machine learning (ML) techniques have accelerated the estimation of accurate molecular properties, providing a direct mapping from 3D molecular structures to their properties. However, the development of reliable and efficient methodologies to enable \emph{inverse mapping} in chemical space is a long-standing challenge that has not been accomplished yet. Here, we address this challenge by demonstrating the possibility of parametrizing a given chemical space with a finite set of extensive and intensive QM properties. In doing so, we develop a proof-of-concept implementation that combines a Variational Auto-Encoder (VAE) trained on molecular structures with a property encoder designed to learn the latent representation from a set of QM properties. The result of this joint architecture is a common latent space representation for both structures and properties, which enables property-to-structure mapping for small drug-like molecules contained in the QM7-X dataset. We illustrate the capabilities of our approach by conditional generation of \emph{de novo} molecular structures with targeted properties, transition path interpolation for chemical reactions as well as insights into property-structure relationships. Our findings thus provide a proof-of-principle demonstration aiming to enable the inverse property-to-structure design in diverse chemical spaces.

연구 동기 및 목표

• 원하는 양자역학적 성질에서 분자 구조를 예측하는 데 오랫동안 해결되지 않은 과제를 해결한다.
• 분자 구조와 그들의 양자역학적 성질을 함께 인코딩하는 통합 잠재공간 표현을 개발한다.
• 학습된 화합물 공간의 매개변수화를 활용하여 목표 성질을 가진 새로운 분자 구조를 조건부로 생성할 수 있도록 한다.
• QM 성질이 화학적 공간 탐색을 위한 내재된 좌표로 해석 가능한지 조사한다.
• 모델이 전이 상태 기하학을 생성하고 반응 경로를 보간하는 데의 유용성을 입증한다.

제안 방법

• 3차원 기하학의 저차원 잠재 표현을 학습하기 위해 쿨롱 행렬로 표현된 분자 구조에 대해 변분 오토인코더(VAE)를 훈련한다.
• 분리된 성질 인코더를 구현하여 에너지, 분극모멘트, HOMO-LUMO 갭 등의 일련의 양자역학적 성질을 동일한 잠재공간으로 매핑한다.
• 구조와 그에 해당하는 QM 성질의 잠재 표현을 일치시키기 위해 VAE와 성질 인코더를 함께 훈련한다.
• 학습된 성질 인코더를 VAE 디코더와 함께 사용하여 원하는 성질 벡터에서 조건부로 분자 구조를 생성한다.
• 잠재공간의 미분 가능성을 활용하여 분자 재구성과 군집화에 영향을 주는 주요 성질을 식별한다.
• 중간 기하학을 생성하고 날카로운 탄성 띠(NEB) 계산을 통해 검증함으로써 반응에서의 전이 상태를 보간하기 위해 모델을 적용한다.

실험 결과

연구 질문

• RQ1 양자역학적 성질이 화합물 공간을 매개변수화하는 데 효과적인 내재된 좌표로 기능할 수 있는가?
• RQ2 공유 잠재공간 표현이 성질에서 분자 구조로의 정확한 역매핑을 어느 정도 가능하게 하는가?
• RQ3 잠재공간에서 분자 기하학과 조성 결정에 가장 영향을 주는 양자역학적 성질은 무엇인가?
• RQ4 학습된 잠재공간이 반응 경로와 전이 상태의 의미 있는 보간을 지원할 수 있는가?
• RQ5 광범위한 성질과 강도가 없는 성질은 화학적 공간 내 구조적 탐색을 지도하는 데에서 어떤 정도의 능력을 갖는가?

주요 결과

• QM7-X 데이터셋에서 QM 성질 벡터로부터 분자 기하학과 헤비 원자 조성을 합리적인 정확도로 성공적으로 재구성하였다.
• 공유 잠재공간은 목표 QM 성질을 가진 새로운 분자 구조의 조건부 생성을 가능하게 하여 역설계의 가능성성을 입증하였다.
• 교환 및 운동에너지 성분이 화학적 조성과 결합 유형에 따라 분자를 군집화하는 데 가장 영향을 주는 QM 성질로 규명되었다.
• 광범위한 성질이 강도가 없는 성질보다 구조적 탐색을 위한 국소 좌표로 더 뛰어난 성능을 보였으며, 이는 쿨롱 행렬 표현의 기하학적 성격 때문일 것이다.
• 생성된 전이 상태 기하학은 NEB 계산의 초기 추측치로 성공적으로 사용되었으며, 보간된 기하학과 최적화된 기하학 간의 RMSD는 0.14 Å에서 0.35 Å 사이였다.
• 잠재공간을 이용한 지오데식 보간은 NEB 계산된 값에 비해 항상 에너지 장벽을 과대평가하는 것으로 나타났으며, 이는 경로 재구성의 보완이 필요함을 시사한다.