A Comprehensive Benchmarking Platform for Deep Generative Models in Molecular Design
Adarsh Singh
新型药物的发展是现代科学的一个重大挑战,具有巨大的成本和时间投资。 深度生成模型已成为通过有效探索广阔的化学空间来加速药物发现的有希望的工具。 然而,这个快速发展的领域缺乏标准化的评价协议,阻碍了方法之间的公平比较。 这项研究对分子集(MOSES)平台进行了广泛的分析,这是一个全面的基准框架,旨在标准化分子设计中深层生成模型的评估。 通过对多种生成性架构(包括循环神经网络、变异自动编码器和生成对抗网络)的严格评估,我们研究了它们生成有效、独特和新颖分子结构的能力,同时保持特定的化学特性。 我们的研究结果表明,不同的架构在各种指标上表现出互补的优势,突出了化学空间探索和开发之间的复杂权衡。 这项研究提供了对分子生成技术现状的详细见解,并为人工智能驱动的药物发现的未来发展奠定了基础。
The development of novel pharmaceuticals represents a significant challenge in modern science, with substantial costs and time investments. Deep generative models have emerged as promising tools for accelerating drug discovery by efficiently exploring the vast chemical space. However, this rapidly evolving field lacks standardized evaluation protocols, impeding fair comparison between approaches. This research presents an extensive analysis of the Molecular Sets (MOSES) platform, a comprehensive...