モンテカルロ木探索を用いた有機低分子化合物誘導体生成手法の開発

• Item type: SIG Technical Reports(1)
• 公開日: 2020-03-05
• タイトル: モンテカルロ木探索を用いた有機低分子化合物誘導体生成手法の開発
• タイトル / 言語: en
• タイトル: Extension of ChemTS to generate derivative compounds
• 言語: jpn
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 東京工業大学情報理工学院
• 著者所属: 東京工業大学科学技術創成研究院
• 著者所属: 東京工業大学情報理工学院／東京工業大学科学技術創成研究院
• 著者名: 恵利川, 大樹; 安尾, 信明; 関嶋, 政和
• 著者名(英): Daiki, Erikawa; Nobuaki, Yasuo; Masakazu, Sekijima
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 創薬のプロセスの一つである化合物最適化では，特定の化合物を出発点としてより薬らしい化合物の探索を行っている．機械学習を利用した化合物生成モデルの一つである ChemTS は優れた物性を持つ化合物を生成することに成功したが，特定の化合物を出発点とした化合物生成には対応していなかった．そこで，本研究ではモンテカルロ木探索を用い，特定の化合物の誘導体を生成することが可能な手法を開発した．また，本手法について化合物の薬らしさの指標である QED を最適化する実験を行い，平均 QED が 0.63 の化合物群に対して 0.93 を超える化合物を生成することに成功した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Development of a new drug requires an enormous amount of time and cost. In drug discovery, molecular optimization that finds molecule with better properties is important. ChemTS is an existing molecular generative model based on MCTS (Monte Carlo tree search). ChemTS has succeeded in generating better molecules more efficiently than existing models. However, ChemTS could not specify starting molecule, which means it could not generate derivatives. In this paper, we present a generative model using MCTS and RNN (recurrent neural network) starting from specific molecule. As a result, our model generated molecules, whose QED is higher than 0.93, starting from molecules whose average QED is 0.63.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA12055912
• 書誌情報: 研究報告バイオ情報学（BIO）; 巻 2020-BIO-61, 号 11, p. 1-6, 発行日 2020-03-05
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8590
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会