Exploring Discrete Flow Matching for 3D De Novo Molecule Generation

要約

新しい分子構造を生成する深層生成モデルは、化学的発見を促進する可能性を秘めています。
フロー マッチングは、最近提案された生成モデリング フレームワークであり、生体分子構造に関するタスクを含むさまざまなタスクで優れたパフォーマンスを達成しています。
精液流マッチング フレームワークは、連続データ専用に開発されました。
ただし、de novo 分子設計タスクでは、原子要素やアミノ酸残基の配列などの個別のデータを生成する必要があります。
このギャップに対処するために、最近、いくつかの離散フローマッチング方法が提案されています。
この研究では、3D de novo 小分子生成のための既存の離散フロー マッチング手法のパフォーマンスをベンチマークし、それらの異なる動作について説明します。
その結果、既存の方法よりも学習可能なパラメーターが少なく、3D de novo 設計の最先端のパフォーマンスを実現するオープンソース モデルである FlowMol-CTMC を紹介します。
さらに、局所的な化学原子価の制約を超えて、高次の構造モチーフに向けて分子の品質を捕捉する指標の使用を提案します。
これらのメトリクスは、基本的な制約が満たされていても、モデルがトレーニング データの分布の外に異常で潜在的に問題のある機能グループを生成する傾向があることを示しています。
この作業を再現するためのコードとトレーニング済みモデルは、\url{https://github.com/dunni3/FlowMol} で入手できます。

要約(オリジナル)

Deep generative models that produce novel molecular structures have the potential to facilitate chemical discovery. Flow matching is a recently proposed generative modeling framework that has achieved impressive performance on a variety of tasks including those on biomolecular structures. The seminal flow matching framework was developed only for continuous data. However, de novo molecular design tasks require generating discrete data such as atomic elements or sequences of amino acid residues. Several discrete flow matching methods have been proposed recently to address this gap. In this work we benchmark the performance of existing discrete flow matching methods for 3D de novo small molecule generation and provide explanations of their differing behavior. As a result we present FlowMol-CTMC, an open-source model that achieves state of the art performance for 3D de novo design with fewer learnable parameters than existing methods. Additionally, we propose the use of metrics that capture molecule quality beyond local chemical valency constraints and towards higher-order structural motifs. These metrics show that even though basic constraints are satisfied, the models tend to produce unusual and potentially problematic functional groups outside of the training data distribution. Code and trained models for reproducing this work are available at \url{https://github.com/dunni3/FlowMol}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google