De Novo Drug Design Using Deep Generative Models

Abstract

Drug design seeks to generate chemical compounds aimed to satisfy specific preferable properties. In this paper, I propose a new drug design model called D4GAN, capable of producing molecule samples that match with a particular set of desirable metrics. This methodology combines recent advances in generative adversarial networks (GANs). I primarily used the ideas from boundary-seeking GAN (BSGAN) and objective-reinforced GAN (ORGAN), to directly deal with molecules encoded as text sequences. I also adopt Wasserstein GAN (WGAN), to improve the convergence and quality of generated de novo drug candidates. Moreover, I adopt variational autoencoder (VAE) for the generator in GAN, in order to improve the stability and quality of sample model generation, avoiding mode collapse that often happens in other GAN models. The results show that D4GAN successfully tunes the structure and quality of generated samples.

신약 후보군 디자인 단계에서는 약물이 가져야 할 특정한 화학적 성질들을 만족하는 화합물을 생성하는 것을 목표로 한다. 본 논문에서 새로 제안한 모형인 D4GAN을 이용하면 특정한 지표 수준을 만족하는 화합물 샘플들을 생성할 수 있다. D4GAN은 최근 생산적 적대 신경망 분야에서 개발된 여러 모형을 결합하였다. D4GAN의 핵심적인 구조로 boundary-seeking GAN (BSGAN) 및 objective-reinforced GAN (ORGAN)을 사용하였는데, 이들은 문자열의 형태로 인코딩된 화합물 데이터를 직접적으로 다루기 위한 생산적 적대 신경망의 변형이다. 또한, D4GAN이 생성하는 드 노보 약물 후보 물질들의 수렴 및 품질 개선을 위해 Wasserstein GAN (WGAN)을 도입하였다. 덧붙여, GAN의 생성자에 variational autoencoder (VAE)를 결합하여, GAN에서 종종 발생하는 mode collapsing 문제를 피하고 생성된 화합물 샘플들의 안정성과 품질을 개선하고자 하였다. 간단한 실험 결과, D4GAN이 생성한 약물 후보군 샘플들의 품질과 구조가 성공적으로 조율되었음을 확인하였다.