使用变压器模型进行详尽的本地化学空间探索.
Alessandro Tibo1, Jiazhen He2, Jon Paul Janet2
1Molecular AI, Discovery Sciences, R&D, AstraZeneca, Gothenburg, Sweden. alessandro.tibo@astrazeneca.com.
Nature communications
|August 25, 2024
概括
这项研究引入了一个新的分子变压器模型来探索化学空间. 该模型使用相似性内核来改进生成模型,从而更好地发现相关分子.
科学领域:
- 计算化学是一种计算化学.
- 机器学习在化学中的应用
- 药物发现 药物发现
背景情况:
- 了解分子相似性是优化化学的关键.
- 生成模型可以探索化学空间,但缺乏相似性意识.
- 目前的方法难以测量化学空间区域的覆盖范围.
研究的目的:
- 开发一种生成模型,明确解释分子相似性.
- 为了使分子近邻地区的全面探索.
- 改进使用强化学习的生成模型的指导.
主要方法:
- 开发了一个源-目标分子变压器模型.
- 该模型是使用相似性内核函数规范化的.
- 训练是在超过2000亿个分子对的数据集上进行的.
主要成果:
- 该模型强制执行分子生成和相似性之间的直接关系.
- 正规化显著改善了生成概率和分子相似性之间的相关性.
- 这种方法使得分子近邻地区的详尽探索成为可能.
结论:
- 拟议的模型有效地解决了当前生成化学模型的局限性.
- 这种方法增强了导航和探索化学相似空间的能力.
- 它提供了一个测量和改进分子区域覆盖范围的机制.


