使用POWGAN的新型分子设计,这是一个政策优化的Wasserstein生成对抗网络

科学领域:

• 化学中的人工智能.
• 生成性对抗性网络 (GANs) 是一个
• 药物发现和开发 药物发现和开发

背景情况:

• 现有的强化导向生成对抗网络 (GAN) 面临着大规模生产非碎片化,属性导向分子的挑战.
• 在优化分子性质和保持生成模型中的样本多样性之间经常存在权衡.
• 目前的GAN很难同时平衡分子连接性,新性和药物相似性.

研究的目的:

• 引入政策优化瓦斯斯坦GAN (POWGAN),这是一个适应性奖励扩展策略,用于改进分子生成.
• 提高生成模型在规模上生产有效,新和属性导向分子的能力.
• 在不损害多样性的情况下克服当前GANs在分子碎片化和属性优化方面的局限性.

主要方法:

• 开发了POWGAN,一个基于图形的生成器,将动态缩放的奖励纳入对抗训练.
• 将POWGAN集成到MedGAN架构中,创建R-MedGAN,以针对图形连接 (非碎片化).
• 评估了基诺林,英多尔和имидазол支架上的模型性能,评估了连接性,新性,独特性和药物相似性 (SAS,LogP).

主要成果:

• R-MedGAN实现了1.00个完全连接的类分子,比基线显著改善 (0.62),同时保持了高新性 (0.93) 和独特性 (0.95).
• 该模型产生了超过12,000个新的类分子,填充了化学空间以前未经探索的区域.
• 药物类似性质大大改善:合成可访问性得分 (SAS) 从8%增加到65%,脂友性 (LogP) 从17%增加到45%.

结论:

• POWGAN和R-MedGAN有效地解决了分子生成GAN的局限性,通过使分子拓和属性的同时优化.
• 适应性奖励扩展策略增强了生成吞吐量,保留了多样性,并改善了药物相似性,在不同的分子支架上展示了可概括性.
• 这项工作提供了一个强大的,可扩展的平台,用于高吞吐量,目标导向的化学探索,推进人工智能驱动药物发现的最先进技术.