Conditional GraphGANFed: Optimizing Graph-Structured Molecule Generation in Federated Generative Adversarial Networks
本文介绍了 cGraphGANFed，这是对 GraphGANFed 的一种新颖扩展，它通过引入一个判别网络来引导在联邦设置下生成高质量且化学有效的分子，同时优化用户定义的指标（如 QED 和 LogP），从而在多指标优化和单目标增强方面均优于原始模型。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
寻找新药的过程往往感觉就像是在寻找一根形状不断变化的、特定的大海捞针。科学家需要创造全新的分子结构——即原子的微小排列方式——使其能够与人体相互作用以治愈疾病。问题在于，可能存在的分子空间如此庞大且复杂，试图通过随机机会找到一个有用的分子几乎是不可能的。传统方法涉及生成巨大的潜在候选库并对其进行筛选，但这个过程缓慢，且往往局限于现有已知库中部件的组合。为了加速这一进程，研究人员转向了人工智能，特别是一种被称为“生成对抗网络”的计算机程序。这些程序的工作原理就像一对竞争的艺术家：一个试图创造看起来真实的“假”分子，而另一个则试图识别出这些伪造品。随着时间的推移，创造者变得越来越出色，最终能够产生全新的、有效的分子。然而，这里有一个难点。虽然这些程序可以制造出在化学上看起来正确的分子，但它们很难制造出同时针对特定目标（例如对人类安全或在水中溶解良好）进行优化的分子。此外，训练这些程序所需的数据通常因为严格的隐私法而被锁在私有的制药数据库中，这使得研究人员难以汇集知识并共同训练更好的模型。
一个研究小组开发了一种名为 Conditional GraphGANFed 的新系统，旨在解决定制化和隐私保护这两个难题。他们的方法建立在一种结合了基于图的学习与一种被称为“联邦学习”的隐私保护技术的前期方法之上。在这种设置下，多家制药公司可以在从不共享其实际化学数据的情况下，共同训练一个共享的人工智能模型。每家公司都将其数据保留在自己的本地服务器上，在本地训练模型，并且只将学到的模式传回给中央协调器。这项研究中的新创新是在通常的双部分系统中增加了第三个组件：一个“评论家”（critic）。在原始系统中，有一个负责制造分子的“生成器”和一个负责判断分子是否真实的“判别器”，而新的“评论家”则充当了一个专门的评判者，根据特定的、用户定义的指标来评估分子。如果研究人员想要一种极具成药潜力的分子，评论家就会根据该特定质量为生成的分子打分，并将该分数反馈给生成器，从而引导它创造出更好的候选分子。
研究人员通过使用三组不同的分子数据进行广泛的计算机模拟测试了这一新系统。他们设置了不同的场景，要求系统从分布在不同参与计算机中均匀或不均匀的数据中进行学习，后者是现实世界中联邦学习面临的常见挑战。在一组测试中，系统被要求同时优化七项标准的分子质量指标。结果显示，带有“评论家”的新系统表现显著优于旧版本。它产生的分子在化学有效性以及在脂肪与水之间的溶解度平衡方面（这是药物在体内移动的关键因素）表现更好。虽然旧系统也能创造出有效的分子，但新系统做得更加可靠，并在整体“类药性”方面略胜一筹。在另一组测试中，研究人员将系统的重点放在了一个单一目标上：最大化类药性得分。在这里，改进的效果更为惊人。新系统生成的分子在达到这一特定目标方面的表现，比旧方法产生的分子高出 10% 以上。
除了制造更好的分子外，新系统还证明了其具有更高的稳定性和韧性。在人工智能领域，一个常见的问题是“模式崩溃”（mode collapse），即生成器找到了欺骗评判者的窍门，从而陷入重复生产少数几种固定分子的状态，而不是探索新的可能性。研究人员发现，旧系统容易出现这个问题，尤其是在数据有限或分布不均的情况下。带有新增“评论家”的新系统能更有效地抵抗这种崩溃，持续产生多样化的独特分子结构。研究还证实，即使不同参与者持有的数据不统一，该系统也能正常运作，而这种情况往往会导致其他隐私保护模型失效。通过将评论家网络整合到联邦学习过程中，研究人员创建了一个框架，允许在不损害各公司数据隐私的前提下进行药物发现的协作。模拟表明，这种方法可以帮助制药研究人员更高效地探索广阔的化学空间，生成不仅在化学结构上合理，而且能够满足新药开发特定需求的创新候选药物。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。