[論文レビュー] Hybrid quantum-classical machine learning for generative chemistry and drug design

A. I. Gircha, Aleksey S. Boev+3 more|arXiv (Cornell University)|Aug 26, 2021

Machine Learning in Materials Science参考文献 31被引用数 6

ひとこと要約

本論文は、D-Wave量子アニーリング装置に実装された制限付きボルツマンマシン（RBM）と組み合わせた離散的変分オートエンコーダー（DVAE）を用いたハイブリッド量子古典的生成モデルを提案する。このモデルは、ChEMBLデータベースに類似した医薬的および合成的性質を示す2,331種の新しい医薬候補分子を生成し、近い将来の量子ハードウェアを用いた生成化学の可能性を実証した。

ABSTRACT

Deep generative chemistry models emerge as powerful tools to expedite drug discovery. However, the immense size and complexity of the structural space of all possible drug-like molecules pose significant obstacles, which could be overcome with hybrid architectures combining quantum computers with deep classical networks. As the first step toward this goal, we built a compact discrete variational autoencoder (DVAE) with a Restricted Boltzmann Machine (RBM) of reduced size in its latent layer. The size of the proposed model was small enough to fit on a state-of-the-art D-Wave quantum annealer and allowed training on a subset of the ChEMBL dataset of biologically active compounds. Finally, we generated 2331 novel chemical structures with medicinal chemistry and synthetic accessibility properties in the ranges typical for molecules from ChEMBL. The presented results demonstrate the feasibility of using already existing or soon-to-be-available quantum computing devices as testbeds for future drug discovery applications.

研究の動機と目的

• 近い将来の量子ハードウェアを活用した生成化学のためのハイブリッド量子古典的機械学習アーキテクチャを開発すること。
• 医薬候補分子の膨大な化学空間（10^23～10^60の可能な化合物）を量子強化型生成モデルで探索する課題に対処すること。
• 既存の量子アニーリング装置が、DVAEのRBMベースの潜在空間を訓練およびサンプリングできることを実証すること。
• 現実的な医薬化学的および合成可能性プロファイルを有する新しい化学構造を生成すること。
• 将来のフォールトトレランス型ハードウェア向けの量子VAE（QVAE）のためのプロトタイプを確立すること。

提案手法

• 分子のSMILES表現を離散的潜在変数に変換するために、離散的変分オートエンコーダー（DVAE）が用いられる。
• 潜在空間は、小さなサイズの制限付きボルツマンマシン（RBM）でモデル化され、D-Waveアドバンス量子アニーリング装置上でボルツマン分布からのサンプリングを学習する。
• 復元および分子生成のためのデコーダーは、5層、d_model=160、10個のアテンションヘッド、FFN幅320のTransformerベースアーキテクチャを採用する。
• 後方分布の崩壊を防ぐために、β=0.1の再重み付けELBO目的関数を用い、Adam最適化法とMultiStep学習率スケジュールを適用して訓練を行う。
• RBMの量子サンプリングは、D-Waveプロセッサ上で30ステップのギブスサンプリングを用いた持続的対照的分散（PCD）により実行される。
• モデル評価には、RBMの対数パーティション関数を推定するために、10個の中間分布と1エポックあたり500サンプルを用いたアニーリング重要度サンプリング（AIS）が用いられる。

実験結果

リサーチクエスチョン

• RQ1 量子アニーリング装置は、分子設計のための生成モデルの訓練に効果的に利用できるか？
• RQ2 小さなRBMを潜在空間に組み込んだハイブリッド量子古典的DVAEは、化学的に妥当で合成可能な分子を生成できるか？
• RQ3 生成された分子は、ChEMBLデータベースに見られる医薬化学的性質と類似しているか？
• RQ4 この生成タスクにおいて、量子強化型RBMサンプリングは古典的サンプリングよりも効果的か？
• RQ5 このアーキテクチャは、将来の量子強化型生成化学モデルのスケーラブルなプロトタイプとして機能できるか？

主な発見

• モデルは、ChEMBLデータベースで観察される典型的な範囲内に収まる医薬化学的および合成可能性プロファイルを有する2,331種の新しい化学構造を効果的に生成した。
• 量子アニーリングによるRBMは、分子構造の意味のある潜在表現を学習でき、効果的な分子再構成と生成を可能にした。
• D-Waveアドバンス量子プロセッサは、RBMの訓練およびサンプリングを実行でき、NISQデバイスを用いた生成化学タスクの実現可能性を実証した。
• 生成された分子とその再構成の間のTanimoto類似度スコアは高く、1.0に近づく傾向を示し、正確な再構成を示した。
• 持続的対照的分散（PCD）とアニーリング重要度サンプリング（AIS）の併用により、RBMのパーティション関数の安定的訓練と信頼性の高い評価が可能になった。
• スケールは小さいが、ハイブリッドアーキテクチャは、現実的な性質を有する分子の生成に効果的であり、量子強化型ドラッグディスカバリーへの第一歩としての有効性を検証した。