本文共 569 字，大约阅读时间需要 1 分钟。

MolGAN：小分子图的隐式生成模型

文章目录

一、说明

图结构数据的深度生成模型为化学合成问题提供了一个全新角度。通过优化直接生成分子图的可微分模型，我们可以在离散且广阔的化学结构空间中避开昂贵的搜索过程。传统的图形匹配过程或基于可能性的节点排序启发式方法往往需要付出巨大代价，而MolGAN作为一种隐式、无似然的小分子图生成模型，能够有效避免这些问题。我们的方法不仅适合生成对抗网络（GAN）直接操作图结构数据，还结合了强化学习目标，旨在鼓励生成具有特定化学物质所需特性的分子。在QM9化学数据库的实验中，我们证明了模型的高效性，能够生成接近100%有效的化合物。相比于近期的基于字符串（SMILES）或直接生成图形的基于可能性的方法，MolGAN具有显著优势。

二、简介

从头药物设计等重要应用来看，寻找具有特定特性的新化合物是一项具有挑战性的任务（Schneider & Fechner，2005）。可合成分子的空间极为庞大，而在这个空间中进行搜索却被证明非常困难，主要是由于其离散性所带来的自然障碍。近年来，深度生成模型取得了显著进展，为小分子图的生成提供了新的可能性。MolGAN作为一种隐式、无需似然的分子图生成模型，成功地将生成对抗网络（GAN）技术应用于化学领域，避免了传统方法中昂贵的图形匹配或基于可能性的启发式搜索。

转载地址：http://tdffk.baihongyu.com/