Eingeschränkte Graph-Variationsautoencoder für Molekül-Design

Graphen sind allgegenwärtige Datenstrukturen zur Darstellung von Interaktionen zwischen Entitäten. Mit einem Schwerpunkt auf der Verwendung von Graphen zur Darstellung chemischer Moleküle untersuchen wir die Aufgabe, Graphen zu generieren, die einer in den Trainingsdaten beobachteten Verteilung entsprechen. Wir schlagen ein Variationsautoencoder-Modell vor, bei dem sowohl der Encoder als auch der Decoder graphstrukturiert sind. Unser Decoder geht von einer sequenziellen Anordnung von Graphen-Erweiterungsschritten aus, und wir diskutieren und analysieren Designentscheidungen, die potenzielle Nachteile dieser Linearisation mindern. Experimente vergleichen unseren Ansatz mit einer Vielzahl von Baselines bei der Molekülgenerierungsaufgabe und zeigen, dass unsere Methode erfolgreicher darin ist, die Statistiken des ursprünglichen Datensatzes in semantisch wichtigen Metriken zu erfassen. Darüber hinaus zeigen wir, dass unser Modell durch geeignete Gestaltung des latenten Raums es uns ermöglicht, Moleküle zu entwerfen, die in den gewünschten Eigenschaften (lokal) optimal sind.