Interpreting GFlowNets for Drug Discovery: Extracting Actionable Insights for Medicinal Chemistry
Created by
Haebom
Category
Empty
저자
Amirtha Varshini A S, Duminda S. Ranasinghe, Hok Hei Tam
개요
SynFlowNet은 화학 반응과 구매 가능한 시작 물질을 기반으로 훈련된 Generative Flow Network(GFlowNet)로, 분자와 이를 생성하는 합성 경로를 생성합니다. 본 논문은 SynFlowNet의 내부 의사 결정 정책의 해석 가능성을 높이기 위해 해석 가능성 프레임워크를 제시합니다. 이 프레임워크는 그래디언트 기반 saliency, 희소 오토인코더, 모티프 프로브를 통합하여 분자 설계 과정에서 투명하고 제어 가능한 접근 방식을 제공합니다.
시사점, 한계점
•
시사점:
◦
SynFlowNet 내부의 화학적 논리를 파악하여 분자 설계를 위한 실행 가능하고 기계론적인 통찰력 제공
◦
그래디언트 기반 saliency를 통해 원자 환경과 구조적 편집이 분자 결과에 미치는 영향 식별
◦
희소 오토인코더를 통해 극성, 친유성, 분자 크기와 같은 물리화학적 특성에 해당하는 잠재 요인 발견
◦
모티프 프로브를 통해 방향족 고리 및 할로겐과 같은 작용기가 명시적으로 인코딩되고 선형적으로 디코딩 가능함을 입증
