Wgan Molecular Graphs

🚀 tf-keras

このライブラリは、グラフ用の生成モデルを実装し、新しい分子を生成するためのモデルとノートブックを提供します。

🚀 クイックスタート

このリポジトリには、グラフ用の生成モデルを実装し、それを使用して新しい分子を生成するためのモデルとノートブックが含まれています WGAN-GP with R-GCN for the generation of small molecular graphs。

完全なクレジットは Alexander Kensert にあります。

Vu Minh Chien によって再現されました。

動機: 新しい薬（分子）の開発は非常に時間と費用がかかる場合があります。深層学習モデルを使用することで、既知の分子の特性（例えば、溶解性、毒性、標的タンパク質への親和性など）を予測することにより、良い候補薬の探索を軽減することができます。可能な分子の数は天文数字であるため、私たちが分子を探索する空間は、全体の空間のごく一部にすぎません。したがって、他の方法では決して探索されなかったであろう新しい分子を生成することを学習できる生成モデルを実装することが望ましいと言えます。

✨ 主な機能

意図された用途と制限

分子グラフ用の生成モデルの最近の実装には、Mol - CycleGAN、GraphVAE、JT - VAEも含まれます。敵対的生成ネットワークに関する詳細情報については、GAN、WGAN、およびWGAN - GPを参照してください。

学習と評価データ

このチュートリアルで使用されるデータセットは、MoleculeNetから取得した量子力学データセット（QM9）です。QM9データセットは、分子内に見られる重原子（水素以外）の最大数がわずか9であるため、グラフ生成に取り組むのに適した最初のデータセットです。

学習ハイパーパラメータ

学習中に以下のハイパーパラメータが使用されました:

• generator_learning_rate: 5e - 04
• discriminator_learning_rate: 5e - 04
• train_batch_size: 16
• optimizer: Adam with betas=(0.9,0.999) and epsilon=1e - 08
• num_epochs: 50

学習結果

• 結果はTensorBoard（学習指標）に表示されます。

モデルのプロット

モデルデモの表示