[논문 리뷰] Likelihood-Free Inference and Generation of Molecular Graphs

Sebastian Pölsterl, Christian Wachinger|arXiv (Cornell University)|2019. 05. 24.

Computational Drug Discovery Methods참고 문헌 22인용 수 8

한 줄 요약

LF-MolGAN은 그래프 이sov머피즘 계산을 피하기 위해 재구성의 암묵적 강제 조건을 제공하는 순환 일致성 손실을 사용하는 가능성 없는 생성 모델을 제안한다. 이는 분자 화합물의 전자 친화도 제약 조건을 충족시키기 위해 그래프 이sov머피즘 네트워크(GIN)를 다중 그래프로 확장하여 분자 구조의 분포를 향상시키며, 1-워샤르슈타인 거리로 물리화학적 성질의 분포 일치를 측정하여 효과적인 약물 발굴을 가능하게 한다.

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.

연구 동기 및 목표

• 분자 구조 생성에서 그래프 이sov머피즘 계산의 계산 비용을 해결하기 위해.
• 명시적인 재구성 손실 계산을 피하는 가능성 없는 방법을 개발하기 위해.
• 다중 그래프 그래프 신경망을 통해 분자 특화 성질(예: 전자 배치)을 개선하기 위해.
• 실제 분자와 생성된 분자의 물리화학적 성질 분포 간의 유사도를 1-워샤르슈타인 거리로 측정하기 위해.
• 약물 개발을 위한 효율적인 분자 공간 탐색을 가능하게 하기 위해 연속 잠재 공간 표현을 활용하기 위해.

제안 방법

• 분자 구조 생성을 위한 생성적 적대적 네트워크(GAN) 프레임워크를 활용하며, 판별자와 생성자를 포함한다.
• 명시적인 이sov머피즘 매칭 없이 재구성을 암묵적으로 강제하기 위해 적대적 순환 일치성 손실을 도입한다.
• 분자 전자 배치 규칙을 인코딩하기 위해 그래프 이sov머피즘 네트워크(GIN)를 다중 그래프 구조로 확장한다.
• 분자의 연속 잠재 공간을 활용하여 분자 공간 내 효율적 탐색을 가능하게 한다.
• 실제 분자와 생성된 분자 간의 물리화학적 성질 분포 유사도를 측정하기 위해 1-워샤르슈타인 거리를 사용한다.
• 생성자 모델이 목표 분포에 맞는 실질적 분자 성질 분포를 갖는 분자를 생성하도록 훈련시킨다.

실험 결과

연구 질문

• RQ1 가능성 없는 생성 모델이 명시적인 재구성 손실 없이도 분자 구조의 분포를 효과적으로 학습할 수 있는가?
• RQ2 순환 일치성 손실이 분자 구조 생성에서 구조적 정확도를 얼마나 잘 강제하는가?
• RQ3 GIN을 다중 그래프로 확장함으로써 분자 전자 배치 제약 조건의 모델링이 얼마나 향상되는가?
• RQ4 1-워샤르슈타인 거리가 분자 성질 분포 비교에 신뢰할 수 있는 지표가 될 수 있는가?
• RQ5 학습된 연속 잠재 공간이 약물 개발을 위한 효율적이고 효과적인 분자 공간 탐색을 가능하게 하는가?

주요 결과

• LF-MolGAN은 모든 기준 모델보다 분자 구조의 분포를 더 정확하게 학습한다.
• 1-워샤르슈타인 거리로 측정된 결과, 물리화학적 성질에 대한 분포 일치도 향상되었다.
• 순환 일치성 손실의 사용으로 명시적인 이sov머피즘 계산 없이도 효과적인 재구성이 가능했다.
• GIN을 다중 그래프로 확장함으로써 분자 전자 배치 규칙의 모델링이 향상되었다.
• 연속 잠재 표현 덕분에 약물 개발 응용 분야에서 분자 공간 탐색이 효율적이고 효과적으로 가능했다.
• 제안된 방법은 목표 성질을 갖는 다양한 화학적으로 타당한 분자를 생성하는 데 기존 기준 모델을 능가했다.