Molecule Design by Latent Prompt Transformer
https://arxiv.org/abs/2310.03253
本研究の学術的背景は、医薬品や化学物質の設計において、特定の化学的プロパティを最適化することが重要であり、そのためには大量の可能な分子構造の探索が必要です。これまでに、さまざまな研究で分子設計のための手法が提案されてきましたが、本研究では、既存のソフトウェアを利用して分子のプロパティを計算し、そのプロパティの最適化を行うための新たな手法を提案しています。
本研究の目的は、分子設計のための新たな手法を開発し、既存の手法よりも優れた性能を実現することです。具体的には、ラテントスペースの生成モデルを用いて、既存の分子とそのプロパティのデータを学習し、求めるプロパティの最適な値を持つ新たな分子を生成することを目指しています。この手法の独自性と創造性は、ラテントベクトルとTransformerモデルの組み合わせによる分子設計の新たなアプローチと、初期学習と分子設計の間のモデル分布のシフト方法にあります。
本研究は、分子設計のための既存の研究動向と位置づけられます。医薬品や化学物質の設計に関する研究では、遺伝的アルゴリズムや粒子群最適化などの手法が提案されてきましたが、本研究では、ラテントスペースの生成モデルを利用した新たな手法を提案しています。また、分子の表現方法としては、SMILESやSELFIESなどが一般的に使われていますが、本研究ではこれらの表現方法を利用しています。
本研究では、ラテントスペースの生成モデルに基づく分子設計手法を提案しています。具体的には、以下の3つのコンポーネントからなるモデルを構築しています。まず、ガウスノイズベクトルからのUnet変換によってモデル化される事前分布を持つラテントベクトルです。次に、ラテントベクトルを条件として分子の表現を生成するモデルであり、Transformerモデルを採用しています。最後に、ラテントベクトルを非線形回帰に基づいて処理し、分子のターゲットプロパティの値を予測するプロパティ予測モデルです。これらのモデルを、既存の分子とそのプロパティのデータを用いて学習させ、さらに設計したいプロパティの値をサポートするモデル分布に変更しています。
本研究の有効性は、ベンチマークの分子設計タスクにおいて、提案手法の優れた性能を実証することによって検証されています。具体的な実験結果によれば、提案モデルは他の手法に比べて優れたパフォーマンスを達成しています。これにより、本研究で提案された手法が、既存の分子設計において新たな研究成果となることが示されています。