Symbolic Neural Generation with Applications to Lead Discovery in Drug Design
Created by
- Haebom
Category
Empty
저자
Ashwin Srinivasan, A Baskar, Tirtharaj Dash, Michael Bain, Sanjay Kumar Dey, Mainak Banerjee
개요
Symbolic Neural Generators (SNGs)는 형식적 정확성 기준을 충족하는 데이터 생성기를 구축하기 위해 기호 학습과 신경 추론을 통합하는 하이브리드 신경 기호 모델이다. SNG는 소수의 인스턴스(때로는 단 하나의 인스턴스)에서 가능한 데이터의 논리적 명세를 검토하는 기호 학습기를 사용한다. 각 명세는 신경 기반 생성기에 제공되는 조건부 정보를 제약하며, 기호 명세를 위반하는 모든 인스턴스를 거부한다. SNG는 기호적 방법과 신경적 방법의 상호 보완적인 강점을 활용한다. SNG의 결과는 (H, X, W)의 튜플로, H는 데이터에서 구성된 가능한 인스턴스에 대한 기호적 설명, X는 설명을 만족하는 생성된 새 인스턴스 집합, W는 연관된 가중치이다. 부분 순서 집합을 기반으로 하는 의미론을 소개하고, 확률적 확장을 설명한다. Inductive Logic Programming (ILP)의 제한된 형태와 대규모 언어 모델(LLM)을 결합한 SNG를 구현하고 초기 단계의 약물 설계를 평가한다.
시사점, 한계점
•
SNG는 기호적 방법과 신경적 방법의 강점을 결합한다.
•
SNG는 약물 설계 벤치마크 문제에서 최첨단 방법과 통계적으로 유사한 성능을 보인다.
•
SNG가 생성한 분자는 임상 후보 물질과 동등한 결합 친화성을 나타낸다 (잘 이해되지 않은 타겟에 대한 탐색적 문제에서).
•
전문가들은 SNG가 생성한 기호적 명세를 예비 필터로 유용하게 사용하며, 여러 생성 분자가 합성과 습식 실험에 적합한 것으로 식별되었다.
•
논문에서는 SNG의 구체적인 한계점에 대한 언급이 없음. (본문 내용 요약에 한계점이 직접적으로 언급되지 않음.)
