De novo molecular design through RL-based generative models

Abstract

Treball de fi de grau en Bioinformàtica. Curs 2024-2025

Tutors: Alexis Molina i Álvaro Ciudad

A mesura que el camp avança i hi ha més dades disponibles, l’aprenentatge profund està revolucionant totes les etapes en el desenvolupament de medicaments. Per la identificació de petits fàrmacs es poden emprar models generatius per reduir la llista de candidats. Presentem un model generatiu basat en aprenentatge per reforç que construeix grafs moleculars mitjançant la incorporació o eliminació d’àtoms, fragments i enllaços. El model inclou un entorn amb informació química, un agent d’aprenentatge profund, una funció de recompensa que avalua les molècules i el disseny d’un mecanisme per introduir coneixement previ al procés de generació.

A medida que el campo avanza y hay más datos disponibles, el aprendizaje profundo está revolucionando todas las etapas en el desarrollo de fármacos. Para la identificación de pequeños fármacos se pueden emplear modelos generativos para reducir la lista de candidatos. Presentamos un modelo generativo basado en aprendizaje por refuerzo que construye grafos moleculares mediante la incorporación o eliminación de átomos, fragmentos y enlaces. El modelo incluye un entorno con información química, un agente de aprendizaje profundo, una función de recompensa para evaluar las moléculas y el diseño de un mecanismo para introducir conocimiento previo en el proceso de generación.

As the field advances and more data becomes available, deep learning is revolutionizing all stages of drug discovery. For the identification of small drug molecules, which is a critical step in the process, generative models can be used to narrow the set of candidates. We present an RL-based generative model that builds molecular graphs through the addition or removal of scaffolds and bonds. The approach encompasses a chemically aware environment, a deep learning agent, a reward function that evaluates the molecules, and the design of a mechanism to introduce prior knowledge in the generation process.