[논문 리뷰] Recent advances in the Self-Referencing Embedding Strings (SELFIES) library

Alston Lo, Robert Pollice외 4명|PubMed|2023. 02. 07.

Machine Learning in Materials ScienceMaterials Science참고 문헌 21인용 수 3

한 줄 요약

이 논문은 Self-Referencing Embedding Strings (SELFIES)를 위한 개방형 소스 파이썬 라이브러리인 selfies 2.1.1을 제시한다. SELFIES는 분자의 문자열 표현 방식으로, 문법적으로도 의미적으로도 완전히 안정적인 100%의 표현 방식이다. 이 라이브러리는 문맥 자유 문법과 자기 참조 기능을 통해 오류 없는 유효한 분자의 생성을 가능하게 하며, 빠른 라운드트립 번역(30만 개 분자에 대해 252초)을 실현하고, 후처리 필터링 없이도 사용자 정의가 가능하고 효율적이며 확장 가능한 분자 생성을 지원한다.

ABSTRACT

String-based molecular representations play a crucial role in cheminformatics applications, and with the growing success of deep learning in chemistry, have been readily adopted into machine learning pipelines. However, traditional string-based representations such as SMILES are often prone to syntactic and semantic errors when produced by generative models. To address these problems, a novel representation, SELF-referencing embedded strings (SELFIES), was proposed that is inherently 100% robust, alongside an accompanying open-source implementation called selfies. Since then, we have generalized SELFIES to support a wider range of molecules and semantic constraints, and streamlined its underlying grammar. We have implemented this updated representation in subsequent versions of selfies, where we have also made major advances with respect to design, efficiency, and supported features. Hence, we present the current status of selfies (version 2.1.1) in this manuscript. Our library, selfies, is available at GitHub (https://github.com/aspuru-guzik-group/selfies).

연구 동기 및 목표

• 생성 기계학습 모델에서 흔히 발생하는 SMILES와 같은 문자 기반 분자 표현 방식의 문법적 및 의미적 오류를 해결하기 위해.
• 복잡한 기능기, 고리, 분지 등을 포함한 주요 SMILES 기능을 모두 지원하면서도 100% 유효성을 유지하도록 SELFIES 표현을 확장하기 위해.
• 다양한 기계학습 및 화학정보학 워크플로우에 통합될 수 있도록 오픈소스 selfies 라이브러리의 성능, 사용성 및 확장성을 향상시키기 위해.
• 후처리 필터 없이도 사용자 정의 가능한 알파벳과 문법 제약 조건을 통해 대규모이고 유효하며 다양한 분자 구조를 생성할 수 있도록 하기 위해.
• 폴리머, 결정, 비공유 결합 시스템, 반응 표현 등 SELFIES의 향후 확장을 위한 기반을 마련하기 위해.

제안 방법

• SELFIES 표현은 분자의 분지와 고리 형성을 보장하기 위해 자기 참조 기능이 추가된 콘텍스트 프리 문법(Chomsky type-2)을 사용하여, 생성된 모든 문자열이 화학적으로 유효함을 보장한다.
• 라이브러리는 자기 참조를 재귀적으로 해결하고 화학적 결합 친화도 제약 조건을 적용함으로써 SELFIES 문자열을 분자 그래프로 번역하는 결정론적 파생 과정을 구현한다.
• 핵심 인코더() 함수는 유효한 모든 SELFIES 문자열을 표준 SMILES 문자열로 매핑하고, 디코더() 함수는 이 과정을 반대로 수행하여 라운드트립 번역을 가능하게 한다.
• 알파벳은 사용자 정의가 가능하다: 낮은 결합 친화도를 가진 원자나 다중 결합을 제거함으로써 무작위 생성 시 분자의 크기 분포를 제어할 수 있다.
• 구현은 외부 종속성이 없고, 번역, 검증, 문법 사용자 정의를 위한 유틸리티 함수를 포함하여 자체적으로 완전히 기능한다.
• 성능 벤치마크는 DTP 오픈 화합물 컬렉션(30만 개 분자)을 대상으로 수행되었으며, 분자의 크기 함수로서 라운드트립 번역 시간을 측정하였다.

Figure 2: The roundtrip translation time of 1000 randomly-sampled S MILES strings from the DTP open compound collection as a function of size, measured in number of atoms.

실험 결과

연구 질문

• RQ1 생성 기계학습 모델에서 발생하는 문법적 및 의미적 오류를 근본적으로 방지할 수 있는 문자 기반 분자 표현 방식은 어떻게 설계할 수 있는가?
• RQ2 SELFIES 문법은 SMILES 표현의 주요 기능, 즉 복잡한 분지, 고리, 기능기 등을 얼마나 잘 지원할 수 있는가?
• RQ3 SELFIES 번역 성능는 분자의 크기에 따라 어떻게 스케일링되며, 대규모 데이터셋에 대한 라운드트립 번역의 계산 비용은 얼마인가?
• RQ4 SELFIES의 사용자 정의 가능한 알파벳을 통해 후처리 필터 없이도 생성된 분자의 크기와 다양성을 제어할 수 있는가?
• RQ5 고성능과 확장성을 실현하는 데 핵심이 되는 설계 원칙과 구현 전략는 무엇인가?

주요 결과

• SMILES에서 SELFIES로, 再로 SMILES로의 30만 개 분자의 라운드트립 번역에 총 252초가 소요되었으며(인코딩 136초, 디코딩 116초) 높은 효율성을 입증하였다.
• 기본 알파벳을 사용해 무작위로 생성된 SELFIES 문자열은 높은 결합 친화도 또는 다중 결합 기호로 인해 조기 종료되면서 대부분의 작은 분자로 구성되었다.
• 다중 결합과 낮은 결합 친화도 원자를 제거한 알파벳 필터링을 통해 평균 분자 크기가 크게 증가했으며, 더 큰 유효한 분자를 생성할 수 있게 되었다.
• 무작위로 샘플된 1,000개의 SELFIES 문자열에 대해 디코더 함수가 모두 유효한 SMILES 문자열로 성공적으로 번역했으며, 실패 없이 100%의 강건성을 확인하였다.
• 라이브러리의 성능는 분자의 크기에 비례하여 선형적으로 스케일링되며, 번역 시간은 분자의 원자 수에 비례하여 증가한다.
• 구현은 완전히 자체적으로 독립되어 있으며 종속성이 없어, 다양한 기계학습 및 화학정보학 파ip라인에 원활하게 통합될 수 있다.