[论文解读] DEFactor: Differentiable Edge Factorization-based Probabilistic Graph Generation

Rim Assouel, Mohamed M. Ahmed+3 more|arXiv (Cornell University)|Nov 24, 2018

Computational Drug Discovery Methods参考文献 1被引用 56

一句话总结

DEFactor 提供一个可微分的、基于边因式分解的图解码器，能够端到端训练并对任意大小的分子图进行条件生成，以实现针对性质的优化。

ABSTRACT

Generating novel molecules with optimal properties is a crucial step in many industries such as drug discovery. Recently, deep generative models have shown a promising way of performing de-novo molecular design. Although graph generative models are currently available they either have a graph size dependency in their number of parameters, limiting their use to only very small graphs or are formulated as a sequence of discrete actions needed to construct a graph, making the output graph non-differentiable w.r.t the model parameters, therefore preventing them to be used in scenarios such as conditional graph generation. In this work we propose a model for conditional graph generation that is computationally efficient and enables direct optimisation of the graph. We demonstrate favourable performance of our model on prototype-based molecular graph conditional generation tasks.

研究动机与目标

• 激励一种用于分子的图生成模型，该模型可微分并且可扩展到任意图大小。
• 使得对分子图直接优化以获得目标性质成为可能，而无需依赖离散的、非可微的图构建步骤。
• 开发一个带自回归、边因式分解解码器的概率自编码器，适用于分子的条件生成。

提出的方法

• 使用图卷积网络对输入分子图进行编码，以获得节点嵌入和固定长度的图潜在编码。
• 用基于 LSTM 的编码器聚合节点嵌入，形成图潜在表示 z。
• 通过 LSTM 解码器在 z 的条件下自回归地产生连续的节点嵌入。
• 通过边特定因式分解进行解码，使用关系推理方法重建邻接关系和节点特征，从而实现可变的图大小。
• 通过教师强制在三个阶段进行训练：图自编码器的预训练、带教师强制的嵌入生成器训练、然后是完全自回归训练。
• 使用带互信息最大化的条件生成框架，其中判别器评估目标性质，反馈引导生成器。

实验结果

研究问题

• RQ1 DEFactor 能否在保持对解码器参数可微的同时生成任意大小的真实分子图？
• RQ2 自回归的边因式分解解码方案是否能够实现针对属性定向分子设计的有效条件生成？
• RQ3 与现有模型相比，DEFactor 在分子图重构和受限性质优化方面的表现如何？
• RQ4 将互信息基础条件化和判别器引入对生成具有期望性质的分子有何影响？

主要发现

• DEFactor 使端到端可微分的图生成成为可能，其解码器参数不依赖于固定的最大图大小。
• 条件生成能够将分子定向到目标性质，在与 LogP 相关的任务上显示出竞争力的性能。
• 在受限性质优化中，与基线模型相比，DEFactor 在惩罚 LogP 上取得了显著改进，同时保持与原始查询分子在相似性方面的合理性。
• 在已测试的数据集上，重构任务相对于先前的图重构方法展示出竞争力或更优的表现。
• 该模型通过一个存在性模块来决定何时停止展开自回归生成器，从而支持生成不同大小的图。