JCIM2021 | MolGPT : 基于Transformer-Decoder的分子生成

原文标题：Molecular Generation Using a Transformer-Decoder Model

地址：https://pubs.acs.org/doi/pdf/10.1021/acs.jcim.1c00600

代码地址：https://github.com/devalab/molgpt

模型大致架构：

一、问题

潜在的类药物候选分子的总数在1023 ~ 1060个之间，其中1个分子仅合成了108个左右。由于很难筛选实际上无限的化学空间，而且合成分子和潜在分子之间存在巨大的差异，生成模型被用于模拟分子的分布，以采样具有理想性质的分子。

二、模型方法

1、dataset

两个基准数据集，MOSES和GuacaMol，使用RDkit计算分子性质，并提取支架。

优化属性：logP、Synthetic Accessibility score (SAS50)【合成难度，1表示容易、0表示很难】、Topological Polar Surface Area (TPSA)【所有极性原子的表面积之和，测量药物穿透细胞膜的能力】、Quantitative Estimate of Drug-likeness (QED51)【考虑主要的分子特性来量化药物相似度。它的范围从0(所有属性不利)到1(所有属性有利)】

2、模型

为非条件训练时，分子smile首先被tokenizer使用SMILES tokenizer，然后对模型进行训练下个token预测任务。对于属性条件训练和骨架条件训练，使用RDkit从分子中提取分子属性和支架，并将它们作为条件与分子SMILES一起传递。对于生成，向模型输入一个start token，然后模型按顺序预测下个token，从而生成一个分子。start token是通过加权随机抽样从出现在训练集SMILES字符串中的token列表中获得的。这些token的权重由它们在训练集中SM