Wgan Molecular Graphs

🚀 tf-keras

本項目實現了一個用於圖的生成模型，並使用它來生成新的分子，能夠有效緩解新藥研發過程中尋找優質候選藥物的難題，具有重要的應用價值。

🚀 快速開始

本倉庫包含了實現圖生成模型的代碼和筆記本，用於生成新的分子。具體可參考 WGAN-GP with R-GCN for the generation of small molecular graphs。

原作者：Alexander Kensert

復現者：Vu Minh Chien

✨ 主要特性

新藥（分子）的開發可能極其耗時且成本高昂。深度學習模型的使用可以通過預測已知分子的性質（例如溶解度、毒性、對目標蛋白質的親和力等），來緩解尋找優質候選藥物的難題。由於可能的分子數量是天文數字，我們搜索/探索分子的空間只是整個空間的一小部分。因此，實現能夠學習生成新分子（否則這些分子可能永遠不會被探索到）的生成模型是非常有必要的。

📚 詳細文檔

預期用途和侷限性

最近分子圖生成模型的實現還包括 Mol-CycleGAN、GraphVAE 和 JT-VAE。有關生成對抗網絡的更多信息，請參閱 GAN、WGAN 和 WGAN-GP。

訓練和評估數據

本教程中使用的數據集是一個量子力學數據集（QM9），從 MoleculeNet 獲得。QM9 數據集是用於生成圖的一個很好的初始數據集，因為分子中發現的重（非氫）原子的最大數量僅為九個。

訓練超參數

訓練期間使用了以下超參數：

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

訓練結果

• 結果顯示在 TensorBoard（訓練指標）中。

模型圖示

查看模型演示