[논문 리뷰] Probabilistic Generative Deep Learning for Molecular Design

Daniel T. Chang|arXiv (Cornell University)|2019. 02. 11.

Computational Drug Discovery Methods참고 문헌 28인용 수 5

한 줄 요약

이 논문은 분자의 구조, 성질 및 활성성을 모델링하기 위해 대규모 실험 및 양자역학적 데이터를 활용하는 확률적 생성 딥러닝 프레임워크를 제안한다. 잠재 공간 표현을 통합한 딥 생성 모델을 통해 원하는 성질을 가진 새로운 분자를 구조적이고 미분 가능한 방식으로 생성할 수 있도록 하여 데이터 기반 약물 발굴 및 재료 과학을 발전시킨다.

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.

연구 동기 및 목표

• 다양한 데이터 소스를 통합하는 통합된 확률적 생성 딥러닝 프레임워크를 개발하는 것.
• 딥 생성 모델을 사용하여 분자의 구조-성질 및 구조-활동 상관관계를 모델링하는 것.
• 구조적 잠재 공간 탐색을 통해 원하는 화학적 및 물리적 성질을 가진 새로운 분자를 발견할 수 있도록 하는 것.
• 기존 데이터베이스와 양자역학적 계산을 활용하여 분자 생성의 일반화 및 예측 정확도를 향상시키는 것.
• 다양하고 안정적이며 성능 최적화된 분자 구조를 생성하기 위한 확장 가능하고, 미분 가능한 접근 방식을 제공하는 것.

제안 방법

• 지속적인 잠재 공간에서 분자 표현을 학습하기 위해 변동형 오토인코더(VAEs)와 노멀라이징 플로우(normalizing flows)와 같은 딥 생성 모델을 사용한다.
• 대규모 화학 데이터베이스에서 학습하기 위해 분자 표현(예: SMILES, 분자 그래프)을 입력으로 사용하여 확률 모델을 훈련시킨다.
• 학습된 분포에서 샘플링하고 목표 성질에 조건을 붙여 새로운 분자를 생성하기 위해 잠재 공간 최적화를 적용한다.
• 잠재 공간 내 조건부 모델링을 통해 구조-성질 및 구조-활동 상관관계를 생성 과정에 통합한다.
• 분자 생성 및 성질 예측 과정에서 역전파를 통해 엔드 투 엔드 훈련이 가능하도록 미분 가능한 신경망을 활용한다.
• 생성된 분자와 그 예측 성질의 불확실성을 정량화하기 위해 확률적 추론을 사용한다.

실험 결과

연구 질문

• RQ1 딥 생성 모델은 어떻게 효과적으로 화학적으로 타당하고 다양한 분자 구조를 생성하도록 훈련시킬 수 있는가?
• RQ2 학습된 잠재 표현이 의미 있는 구조-성질 및 구조-활동 상관관계를 얼마나 잘 포괄하는가?
• RQ3 잠재 공간 내 조건부 생성은 화학적 타당성을 유지하면서도 목표 성질을 가진 분자를 생성할 수 있는가?
• RQ4 확률 모델링과 불확실성 정량화는 분자 설계의 신뢰성에 어떻게 기여하는가?
• RQ5 실험 및 양자역학적 데이터 통합은 생성된 분자의 품질과 다양성에 어떤 영향을 미치는가?

주요 결과

• 프레임워크는 높은 다양성과 구조적 신선도를 가진 화학적으로 타당한 분자를 성공적으로 생성한다.
• 잠재 공간 내 조건부 생성은 용해도나 결합 친화도와 같은 특정 성질을 가진 분자의 타겟 설계를 가능하게 한다.
• 확률 모델링을 통해 생성된 분자와 그 예측 성질의 불확실성을 추정할 수 있다.
• 실험 및 양자역학적 데이터의 통합은 생성 모델의 일반화 및 예측 정확도를 향상시킨다.
• 이 방법은 약물 발굴 및 재료 설계를 위한 대규모 화학 공간 탐색에서 확장 가능하고 효과적임을 보였다.
• 잠재 공간의 분리 가능성을 통해 기능기나 전자적 성질과 같은 분자 기능을 해석 가능한 방식으로 조작할 수 있다.