В статье рассматривается актуальная задача предсказания формы молекулярных соединений с лекарственными свойствами. Решение данной задачи требует применения генеративных моделей. В работе дается краткое описание и проводится исследование алгоритмов сэмплирования, вариационных автоэнкодеров (Variational Auto Encoder, VAE). Данные алгоритмы были реализованы в программной среде Python. Для обучения использовались данные, структурирующие информацию в виде строк SMILES. Это позволило рассматривать задачу как задачу генерации текста. В качестве основной метрики для сравнения алгоритмов рассмотрена метрика количественной оценки сходства с лекарственными соединениями (Quantitative Estimate of Druglikeness, QED). Наилучшие результаты при генерации в смысле метрики QED показали модели на базе сэмплирования и вариационный автоэнкодер. Несмотря на высокие метрики QED, алгоритм жадного поиска генерирует неадекватные структуры молекулярных соединений для дальнейших исследований. Другие алгоритмы показали адекватные результаты и могут быть использованы для генерации лекарственных молекулярных соединений. После генерации такие модели должны будут проверяться специалистами. В статье также были представлены непосредственные примеры реализации структур молекул, получаемые при моделировании с помощью разных алгоритмов.
The article deals with the actual problem of predicting the shape of molecular compounds with medicinal properties. The solution of this problem requires the use of generative models. The paper gives a brief description and research of sampling algorithms, variational autoencoders (Variational Auto Encoder, VAE). These algorithms were implemented in the Python software environment. For training, data was used that structured information in the form of SMILES strings. This allowed us to consider the task as a text generation task. Quantitative Estimate of Druglikeness (QED) is considered as the main metric for comparing algorithms. The best generation results in terms of the QED metric were shown by sampling-based models and a variational autoencoder. Despite the high QED metrics, the greedy search algorithm generates inadequate structures of molecular compounds for further research. Other algorithms have shown adequate results and can be used to generate drug molecular compounds. After generation, such models will have to be checked by specialists. The article also presented direct examples of the implementation of molecular structures obtained by modeling using different algorithms.
1. Широканев А.С., Андриянов Н.А., Ильясова Н.Ю. Разработка векторного алгоритма по технологии CUDA для трехмерного моделирования процесса лазерной коагуляции сетчатки // Компьютерная оптика. 2021. Т. 45. № 3. С. 427–437. DOI: 10.18287/2412-6179-CO-828.
2. Shirokanev A., Ilyasova N., Andriyanov N., Zamytskiy E., Zolotarev A., Kirsh D. Modeling of Fundus Laser Exposure for Estimating Safe Laser Coagulation Parameters in the Treatment of Diabetic Retinopathy. Mathematics. 2021. Vol. 9. P. 967. DOI: 10.3390/math9090967.
3. Поляков М.В., Хоперсков А.В. Математическое моделирование пространственного распределения радиационного поля в биоткани: определение яркостной температуры для диагностики // Вестник Волгоградского государственного университета. 2016. Т. 36. № 5. С. 73–84.
4. Gad A.F. Practical Computer Vision Applications Using Deep Learning with CNNs. Apress. 2019. [Электронный ресурс]. URL: https://www.pdfdrive.com/practical-computer-vision-applications-using-deep-learning-with-cnns-with-detailed-examples-in-python-using-tensorflow-and-kivy-d185770768.html (дата обращения: 05.03.2022).
5. Roffman D., Hart G., Girardi M., Ko C., Deng J. Predicting non-melanoma skin cancer via a multi-parameterized artificial neural network. Scientific reports. 2018. Vol. 8. P. 1701.
6. Zhu Y., Wang Q., Xu M. Application of convolutional neural network in the diagnosis of the invasion depth of gastric cancer based on conventional endoscopy. Gastrointestinal Endoscopy. 2019. Vol. 89. No. 4. P. 806–815.
7. Goodfellow I., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S., Courville A., Bengio Y. Generative Adversarial Networks. arXiv preprint. 2014. [Электронный ресурс]. URL: https://arxiv.org/abs/1406.2661 (дата обращения: 07.03.2022).
8. Grow С., Gao K., Nguyen D., Wei G.W. Generative network complex (gnc) for drug discovery // arXiv preprint. 2019. [Электронный ресурс]. URL: https://arxiv.org/abs/1910.14650 (дата обращения: 07.03.2022).
9. Jumper J., Evans R., Pritzel A., Green T., Figurnov M., Ronneberger O., Tunyasuvunakool K., Bates R., Žídek A., Potapenko A., Bridgland A., Meyer C., Kohl S., Ballard A., Cowie A., Romera-Paredes B., Nikolov S., Jain R., Adler J., Back T., Petersen S., Reiman D., Clancy E., Zielinski M., Steinegger M., Pacholska M., Berghammer T., Bodenstein S., Silver D., Vinyals O., Senior A., Kavukcuoglu K., Kohli P., Hassabis D. Highly accurate protein structure prediction with AlphaFold. Nature. 2021. Vol. 596. P. 583–589.
10. Batool M., Ahmad B., Choi S. A structure-based drug discovery paradigm. International journal of molecular sciences. 2019. Vol. 20. P. 13–21.
11. Sherstinsky A. Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) Network. arXiv preprint. 2018. [Электронный ресурс]. URL: https://arxiv.org/abs/1808.03314 (дата обращения: 07.03.2022).
12. Chenthamarakshan V., Das P., Padhi I. Target-Specific and Selective Drug Design for COVID-19 Using Deep Generative Models. arXiv preprint. 2020. [Электронный ресурс]. URL: https://arxiv.org/abs/2004.01215 (дата обращения: 07.03.2022).
13. Holtzman A., Buys J., Du L., Forbes M., Choi Y. The curious case of neural text degeneration. arXiv preprint. 2019. [Электронный ресурс]. URL: https://arxiv.org/abs/1904.09751 (дата обращения 07.03.2022).
14. Ackley D., Hinton G., Sejnowski T. A learning algorithm for Boltzman nmachines. Cognitive science. 1985. Vol. 9. No. 1. P. 147–169.
15. Fan A., Lewis M., Dauphin Y. Hierarchical Neural Story Generation. Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics. 2018. Vol. 1. P. 10–18.
16. Kingma D., Welling M. Auto-Encoding Variational Bayes. arXiv preprint. 2013. [Электронный ресурс]. URL: https://arxiv.org/abs/1312.6114 (дата обращения: 07.03.2022).
17. Junyoung C., Caglar G., Kyung C., Yoshua H., Yoshua B. Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling. arΧiv preprint. 2014. [Электронный ресурс]. URL: https://arxiv.org/abs/1412.3555 (дата обращения: 07.03.2022).
18. Bickerton R., Paolini G., Besnard J., Muresan S., Hopkins A. Quantifying the Chemical Beauty of Drugs. Nature Chemistry. 2012. Vol. 4. P. 90–98.
19. Sterling T., Irwin J. Zinc 15-ligand discovery for everyone. Chem Inf Model. Vol. 55. No. 11. P. 2324–2337.