Learning Disentangled Equivariant Representation for Explicitly Controllable 3D Molecule Generation

要約

私たちは、薬物のような特性 (薬物らしさの定量的推定や合成アクセシビリティ スコアなど) や特定のタンパク質部位への効果的な結合などの分子特性に対する \textit{明示的な制御} を備えた 3D 薬物様分子の条件付き生成を検討します。
この問題に取り組むために、我々は E(3) 等変 Wasserstein 自己エンコーダを提案し、生成モデルの潜在空間を分子特性と 3D 分子の残りの構造コンテキストという 2 つの解きほぐされた側面に因数分解します。
私たちのモデルは、座標表現の等変性とデータ尤度の不変性を維持しながら、これらの分子属性の明示的な制御を保証します。
さらに、自己回帰的なデノボ 3D 分子生成をゼロから行うために等変ネットワークを適応させるための新しいアライメントベースの座標損失を導入します。
広範な実験により、デノボ 3D 分子設計とタンパク質標的に対する構造ベースの創薬の両方において、プロパティガイドおよびコンテキストガイドによる分子生成におけるモデルの有効性が検証されています。

要約(オリジナル)

We consider the conditional generation of 3D drug-like molecules with \textit{explicit control} over molecular properties such as drug-like properties (e.g., Quantitative Estimate of Druglikeness or Synthetic Accessibility score) and effectively binding to specific protein sites. To tackle this problem, we propose an E(3)-equivariant Wasserstein autoencoder and factorize the latent space of our generative model into two disentangled aspects: molecular properties and the remaining structural context of 3D molecules. Our model ensures explicit control over these molecular attributes while maintaining equivariance of coordinate representation and invariance of data likelihood. Furthermore, we introduce a novel alignment-based coordinate loss to adapt equivariant networks for auto-regressive de-novo 3D molecule generation from scratch. Extensive experiments validate our model’s effectiveness on property-guided and context-guided molecule generation, both for de-novo 3D molecule design and structure-based drug discovery against protein targets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google