De Novo Design of Molecules Towards Biased Properties via a Deep Generative Framework and Iterative Transfer Learning

De Novo Design of Molecules Towards Biased Properties via a Deep Generative Framework and Iterative Transfer Learning

分子開発において、ターゲットとなる特性を持つ分子のデノボデザインは、新たなフロンティアとなる。しかし、(i) 目標とする特性を持つ新規分子の生成、(ii) 生成された分子が学習データセットの範囲を超える特性を持つ、という2つの大きな課題が残されている。これらの課題に対処するため、我々は概念実証研究として、目標とする熱容量（Cv）値を持つ化学的に有効な低分子化合物を生成するための新しい強化回帰型・条件付き生成逆境ネットワーク（RRCGAN）を提案します。DFTによる検証の結果、生成されたサンプルの約80%は、目標とするCv値の20%未満の相対誤差(RE)を有していました。Cv値が元のトレーニング分子の範囲を超えている分子の生成を偏らせるために、RRCGANモデルの反復再学習に伝達学習を適用した。わずか2回の反復学習で、生成された分子の平均Cvは、最初のトレーニングデータセットで示された31.6cal/(mol-K)から44.0cal/(mol-K)に増加しました。この計算手法は、偏った性質を持つ低分子化合物を発見するための新しい道を開くものであることが実証された。