Balancing Exploration and Exploitation: Disentangled $β$-CVAE in De Novo Drug Design

解决问题：本文旨在解决深度生成条件变分自编码器（CVAE）在新药设计中的应用问题，特别是对分离和多元显式潜在条件的分子基于图模型的研究不够深入的问题。作者通过提出一个分子图β-CVAE模型，实现了对分子生成的探索和开发的平衡。

关键思路：本文主要通过提出分子图β-CVAE模型，实现了对分子生成的探索和开发的平衡。作者通过实验调整β值，评估其生成具有最优单变量或多变量性质的分子的能力，包括辛醇-水分配系数（ClogP）、摩尔折射率（CMR）、药物样性的定量估计（QED）和合成可达性评分（SAS）。结果表明，较低的β值可以增加生成分子的独特性，从而增强了探索性，同时通过优化单变量和多变量属性，提高了分子的开发性。

其他亮点：本文通过实验结果表明，分子图β-CVAE模型具有平衡探索和开发的能力，是一种有前途的新药设计模型，为未来的研究提供了基础。作者使用了多种数据集进行实验，并且提供了开源代码。

关于作者：主要作者包括Guang Jun Nicholas Ang、De Tao Irwin Chin和Bingquan Shen。他们分别来自新加坡国立大学和南洋理工大学。他们的代表作包括：Ang等人提出的“基于深度学习的新药设计方法”（2019）和Shen等人提出的“分子生成的不确定性建模”（2020）。

相关研究：最近的相关研究包括：1）“基于变分自编码器的新药设计”（作者：Ying等人，机构：香港中文大学）；2）“基于生成对抗网络的分子设计”（作者：Gómez-Bombarelli等人，机构：麻省理工学院）；3）“分子生成的可解释性”（作者：Krenn等人，机构：图灵研究所）。

论文摘要：最近，深度生成模型已成为一种有前途的新型药物设计方法。在这方面，深度生成条件变分自编码器（CVAE）模型是一种强大的方法，可用于生成具有所需药物特性的新型分子。然而，具有解缕和多元显式潜在条件的分子基于图形的模型尚未完全阐明。为了解决这个问题，我们提出了一种分子图$\beta$-CVAE模型，用于新型药物设计。在这里，我们经验性地调整了解缕值，并评估了其生成具有优化单变量或多变量特性的分子的能力。特别是，我们优化了辛醇-水分配系数（ClogP）、摩尔折射率（CMR）、药物样品的定量估计（QED）和合成可及性评分（SAS）。结果表明，较低的$\beta$值增加了所生成分子的独特性（探索）。单变量优化结果显示，我们的模型通过Ghose过滤器生成的分子属性平均值为ClogP = 41.07% $\pm$ 0.01%和CMR 66.76% $\pm$ 0.01%。多元属性优化结果表明，我们的模型生成了平均30.07% $\pm$ 0.01%的分子，具有所需的两种属性。此外，我们的模型提高了生成分子的QED和SAS（开发利用）。总之，这些结果表明，$\beta$-CVAE可以通过解缕平衡探索和开发利用，并且是一种有前途的新型药物设计模型，为未来的研究提供了基础。

内容中包含的图片若涉及版权问题，请及时与我们联系删除