MoleCLUEs: Optimizing Molecular Conformers by Minimization of Differentiable Uncertainty

要約

分子科学における構造ベースのモデルは、入力幾何学に対して非常に敏感であり、微妙な座標の摂動の下で大きな変動を伴う予測を与える可能性があります。
予測モデルの不確実性を明示的に最小化する立体配座を生成することで、この故障モードを軽減するアプローチを提案します。
これを達成するために、学習された埋め込みから直接、偶然の\textit{および}認識論的不確実性の微分可能な推定値を計算します。
次に、エンベディングを繰り返しサンプリングして、勾配に従ってこれらの不確実性を低減するオプティマイザーをトレーニングします。
私たちの予測モデルは変分オートエンコーダーとして構築されているため、新しい埋め込みを対応する入力にデコードできます。これを \textit{MoleCLUEs}、または (分子) 反事実的な潜在的な不確実性の説明 \citep{antoran2020getting} と呼びます。
当社は、微分可能な構造シミュレーションの分析だけでなく、薬物特性を最大限の信頼度で予測するタスク用のアルゴリズムの結果を提供します。

要約(オリジナル)

Structure-based models in the molecular sciences can be highly sensitive to input geometries and give predictions with large variance under subtle coordinate perturbations. We present an approach to mitigate this failure mode by generating conformations that explicitly minimize uncertainty in a predictive model. To achieve this, we compute differentiable estimates of aleatoric \textit{and} epistemic uncertainties directly from learned embeddings. We then train an optimizer that iteratively samples embeddings to reduce these uncertainties according to their gradients. As our predictive model is constructed as a variational autoencoder, the new embeddings can be decoded to their corresponding inputs, which we call \textit{MoleCLUEs}, or (molecular) counterfactual latent uncertainty explanations \citep{antoran2020getting}. We provide results of our algorithm for the task of predicting drug properties with maximum confidence as well as analysis of the differentiable structure simulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google