Sustainability-guided small molecule generation with generative flow networks

Abstract

Η Γενετική Τεχνητή Νοημοσύνη (AI) έχει αναδειχθεί ως ένα υποσχόμενο εργαλείο για την επιτάχυνση της επιστημονικής ανακάλυψης στη χημεία, ιδίως στον τομέα του μοριακού σχεδιασμού. Στα πλαίσια της περιβαλλοντικής ρύπανσης, τα γενετικά μοντέλα μπορούν να αξιοποιηθούν για την πρόταση υποψήφιων μορίων φιλικών προς το περιβάλλον, επιταχύνοντας έτσι την διαδικασία του σχεδιασμού και μειώνοντας τις επιβλαβείς επιπτώσεις στο περιβάλλον. Για τον σκοπό αυτό, διερευνούμε τη χρήση των Γενετικών Ροών Δικτύων (GFNs), μια οικογένειας γενετικών μοντέλων που δειγματολειπτεί συνδυαστικά αντικείμενα, όπως μόρια, βελτιστοποιώντας μια ιδιότητα ενδιαφερόντος. Τα μοντέλα αυτά μαθαίνουν να δειγματολειπτούν αναλογικά προς μια εξωτερικά ορισμένη συνάρτηση ανταμοιβής, η οποία συνήθως αποτελείται από ένα μοντέλο (π.χ νευρωνικό δίκτυο) που δρα ως μια προσσέγγιση της εν λόγω ιδιότητας. Στην παρούσα εργασία, σχεδιάζουμε και εκπαιδεύουμε GFNs με στόχο την πρόταση νέων μορίων με χαμηλή διαλυτότητα στο νερό, μια κρίσιμη φυσικοχημική ιδιότητα των μορίων που συνδέεται με την περιβαλλοντική διαρροή και ρύπανση. Πειραματικά, αξιολογούμε την ικανότητα των GFNs να προσεγγίσουν την επιθυμητή κατανομή (μέσω ενός συνόλου μετρικών), εξετάζοντας την απόδοση τους ύπο διαφορετικούς στόχους εκπαίδευσης .Τέλος, πραγματοποιούμε περαιτέρω φιλτράρισμα των παραγόμενων φιλικών προς το περιβάλλον μορίων για την αναγνώριση πιθανών αγροχημικών, όπως φυτοφάρμακα, ζιζανιοκτόνα και εντομοκτόνα. Ο κώδικας είναι διαθέσιμος στη διεύθυνση: https://github.com/johnsaveus/gflownet.