Генерации графов заданной структуры: от глубоких нейронных сетей к квантовым моделям (на примере создания новых лекарств)

Ф.Т. Адылова; Р.Р. Давронов

doi:10.71310/pcam.1_71.2026.11

Авторы

Ф.Т. Адылова Институт математики им. В.И. Романовского АН РУз Автор
Р.Р. Давронов Институт математики им. В.И. Романовского АН РУз Автор

DOI:

https://doi.org/10.71310/pcam.1_71.2026.11

Ключевые слова:

обучение с подкреплением, WGAN, неявные генеративные модели, обеспечение связности графов, квантово-классические гибридные модели, молекулярный дизайн, бенчмарки генерации молекул

Аннотация

Поиск новых химических соединений с заданными свойствами — сложная задача при разработке лекарственных препаратов. Во многих работах молекулы кодируют строковыми представлениями, получаемыми из молекулярных графов, однако такой подход вычислительно затратен и плохо переносится на общие (немолекулярные) графы. Прогресс в глубоком обучении на графах позволяет обучать генеративные модели непосредственно на графовых представлениях, обходя дорогостоящий поиск в дискретном и огромном пространстве химических структур. MolGAN — неявная серия моделей для генерации небольших молекулярных графов, сочетающая генеративно-состязательные сети (GAN) и обучение с подкреплением (RL) для получения молекул с заданными химическими свойствами. В обзоре рассмотрены четыре варианта: базовая MolGAN (до 9 атомов), Large MolGAN (до 20 атомов) с механизмом, снижающим генерацию несвязных графов, версия на основе WGAN как более стабильной альтернативы GAN, а также гибридная MolGAN с модулями квантовых вычислений. Описаны архитектуры моделей, их сравнение на бенчмарках, ограничения и перспективы дальнейших исследований.

Библиографические ссылки

Hughes J.P., Rees S., Kalindjian S.B., Philpott K.L. Principles of early drug discovery // Brit. J. Pharmacol.. – 2011. – Vol. 162, №6. – P. 1239-1249. – doi: http://dx.doi.org/10.1111/j.1476-5381.2010.01127.x.

Wang F., Chen Y.T., Yang J.M., Akutsu T. A novel graph convolutional neural network for predicting interaction sites on protein kinase inhibitors in phosphorylation // Sci. Rep. – 2022. – Vol. 12, №1. – Art. no. 229. – doi: http://dx.doi.org/10.1038/s41598-021-04230-7.

Goodfellow I.J., et al. Generative adversarial networks // arXiv. – 2014. – arXiv:1406.2661. – doi: http://dx.doi.org/10.48550/arXiv.1406.2661.

Schmidt R.M. Recurrent neural networks (RNNs): A gentle introduction and overview // arXiv. – 2019. – arXiv:1912.05911. – doi: http://dx.doi.org/10.48550/arXiv.1912.05911.

Kingma D.P., Welling M. An introduction to variational autoencoders // Foundations and Trends in Mach. Learn. – 2019. – Vol. 12, №4. – P. 307-392. – doi: http://dx.doi.org/10.1561/2200000056.

Weininger D. SMILES, a chemical language and information system. 1. Introduction to methodology and encoding rules // J. Chem. Inf. Comput. Sci.. – 1988. – Vol. 28, №1. – P. 31-36. – doi: http://dx.doi.org/10.1021/ci00057a005.

De Cao N., Kipf T. MolGAN: An implicit generative model for small molecular graphs // arXiv. – 2018. – arXiv:1805.11973. – URL: https://arxiv.org/abs/1805.11973.

Arjovsky M., Chintala S., Bottou L.Wasserstein GAN // arXiv. – 2017. – arXiv:1701.07875. – doi: http://dx.doi.org/10.48550/arXiv.1701.07875.

Tsujimoto Y., Hiwa S., Nakamura Y., Oe Y., Hiroyasu T. L-MolGAN: An improved implicit generative model for large molecular graphs // ChemRxiv. – 2021. – doi: http://dx.doi.org/10.26434/chemrxiv.14569545.v2.

Bickerton G.R., Paolini G.V., Besnard J., Muresan S., Hopkins A.L. Quantifying the chemical beauty of drugs // Nat Chem. – 2012. – Vol. 4, №2. – P. 90-98. – doi: http://dx.doi.org/10.1038/nchem.1243.

Irwin J.J., Sterling T., Mysinger M.M., Bolstad E.S., Coleman R.G. ZINC: A free tool to discover chemistry for biology // J. Chem. Inf. Model.. – 2012. – Vol. 52, №7. – P. 1757-1768. – doi: http://dx.doi.org/10.1021/ci3001277.

Kingma D.P., Ba J. Adam: A method for stochastic optimization // arXiv. – 2014. – arXiv:1412.6980. – URL: https://arxiv.org/abs/1412.6980.

Salimans T., Goodfellow I., Zaremba W., Cheung V., Radford A., Chen X. Improved techniques for training GANs // arXiv. – 2016. – arXiv:1606.03498. – URL: https://arxiv.org/abs/1606.03498.

De Cao N., Kipf T. MolGAN: An implicit generative model for small molecular graphs // arXiv. – 2018. – arXiv:1805.11973v2. – URL: https://arxiv.org/abs/1805.11973v2.

Li Y., Vinyals O., Dyer C., Pascanu R., Battaglia P. Learning deep generative models of graphs // arXiv. – 2018. – arXiv:1803.03324. – URL: https://arxiv.org/abs/1803.03324.

Simonovsky M., Komodakis N. GraphVAE: Towards generation of small graphs using variational autoencoders // arXiv. – 2018. – arXiv:1802.03480. – URL: https://arxiv.org/abs/1802.03480.

Bruna J., Zaremba W., Szlam A., LeCun Y. Spectral networks and locally connected networks on graphs // arXiv. – 2013. – arXiv:1312.6203. – URL: http://arxiv.org/abs/1312.6203.

Duvenaud D., Maclaurin D., Aguilera-Iparraguirre J., G’omez-Bombarelli R., Hirzel T., et al. Convolutional networks on graphs for learning molecular fingerprints // Advances in Neural Information Processing Systems 28 (NIPS 2015). – 2015. – URL: https://proceedings.neurips.cc/paper/2015/hash/f9be311e65d81a9ad8150a60844bb94c-Abstract.html.

Kipf T.N., Welling M. Semi-supervised classification with graph convolutional networks // 5th International Conference on Learning Representations (ICLR). – 2017. – URL: https://openreview.net/forum?id=SJU4ayYgl.

Li Y., Tarlow D., Brockschmidt M., Zemel R.S. Gated graph sequence neural networks // arXiv. – 2015. – arXiv:1511.05493. – URL: http://arxiv.org/abs/1511.05493.

Gulrajani I., Ahmed F., Arjovsky M., Dumoulin V., Courville A.C. Improved training of Wasserstein GANs // Advances in Neural Information Processing Systems 30 (NIPS 2017). – 2017. – URL: https://proceedings.neurips.cc/paper/2017/hash/892c3b1c6dccd52936e27cbd0ff683d6-Abstract.

Silver D., Lever G., Heess N., Degris T., Wierstra D., Riedmiller M.A. Deterministic policy gradient algorithms // Proceedings of the 31st International Conference on Machine Learning. – 2014. – URL: http://proceedings.mlr.press/v32/silver14.html.

Schlichtkrull M., Kipf T., Bloem P., van den Berg R., Titov I., Welling M. Modeling relational data with graph convolutional networks // arXiv. – 2017. – arXiv:1703.06103. – URL: https://arxiv.org/abs/1703.06103.

Ramakrishnan R., Dral P.O., Rupp M., von Lilienfeld O.A. Quantum chemistry structures and properties of 134 kilo molecules // Sci. Data. – 2014. – Vol. 1. – Art. no. 140022. – doi: http://dx.doi.org/10.1038/sdata.2014.22.

Guimaraes G.L., Sanchez-Lengeling B., Farias P.L.C., Aspuru-Guzik A. Objectivereinforced generative adversarial networks (ORGAN) for sequence generation models // arXiv. – 2017. – arXiv:1705.10843. – URL: https://arxiv.org/abs/1705.10843.

G’omez-Bombarelli R., Wei J.N., Duvenaud D., Hern’andez-Lobato J.M., et al. Automatic chemical design using a data-driven continuous representation of molecules // ACS Central Science. – 2018. – Vol. 4, №2. – P. 268-276. – doi: http://dx.doi.org/10.1021/acscentsci.7b00572.

Kusner M.J., Paige B., Hern’andez-Lobato J.M. Grammar variational autoencoder // Proceedings of the 34th International Conference on Machine Learning. – 2017. – URL: http://proceedings.mlr.press/v70/kusner17a.html.

Srivastava N., Hinton G., Krizhevsky A., Sutskever I., Salakhutdinov R. Dropout: A simple way to prevent neural networks from overfitting // J. Mach. Learn. Res.. – 2014. – Vol. 15, №1. – P. 1929-1958.

Sagingalieva A., Mansell C., Zhiganov D., Shete V., Pflitsch M., Melnikov A. Hybrid Quantum Cycle Generative Adversarial Network for Small Molecule Generation // IEEE Trans. Quantum Eng.. – 2024. – Vol. 5. – P. 2500514. – doi: http://dx.doi.org/10.48550/arXiv.2402.00014.

Li J., Topaloglu R.O., Ghosh S. Quantum generative models for small molecule drug discovery // IEEE Trans. Quantum Eng.. – 2021. – Vol. 2. – Art. no. 3103308. – URL: https://doi.org/10.1109/TQE.2021.3104804.

Melnikov A., Kordzanganeh M., Alodjants A., Lee R.K. Quantum machine learning: From physics to software engineering // Adv. Phys.: X. – 2023. – Vol. 8, №1. – Art. no. 2165452. – doi: http://dx.doi.org/10.1080/23746149.2023.2165452.

Jerbi S., Fiderer L.J., Nautrup H.P., K‥ubler J.M., Briegel H.J., Dunjko V. Quantum machine learning beyond kernel methods // Nature Commun.. – 2023. – Vol. 14, №1. – Art. no. 517. – doi: http://dx.doi.org/10.1038/s41467-023-36159-y.

P’erez-Salinas A., Draˇski’c R., Tura J., Dunjko V. Shallow quantum circuits for deeper problems // Phys. Rev. A. – 2023. – Vol. 108. – Art. no. 062423. – doi: http://dx.doi.org/10.1103/PhysRevA.108.062423.

Simon C., Gyurik C.M., Dunjko V. High dimensional quantum machine learning with small quantum computers // Quantum. – 2023. – Vol. 7. – Art. no. 1078. – doi: http://dx.doi.org/10.22331/q-2023-08-09-1078.

Kordzanganeh M., Kosichkina D., Melnikov A. Parallel hybrid networks: An interplay between quantum and classical neural networks // Intell. Comput.. – 2023. – Vol. 2. – Art. no. 0028. – doi: http://dx.doi.org/10.34133/icomputing.0028.

Senokosov A., Sedykh A., Sagingalieva A., Kyriacou B., Melnikov A. Quantum machine learning for image classification // Mach. Learn.: Sci. Technol.. – 2024. – Vol. 5, №1. – Art. no. 015040. – doi: http://dx.doi.org/10.1088/2632-2153/ad2aef.

Li Y., Zhou R.G., Xu R., Luo J., Hu W. A quantum deep convolutional neural network for image recognition // Quantum Sci. Technol.. – 2020. – Vol. 5, №4. – Art. no. 044003. – doi: http://dx.doi.org/10.1088/2058-9565/ab9f93.

Mitarai K., Negoro M., Kitagawa M., Fujii K. Quantum circuit learning // Phys. Rev. A. – 2018. – Vol. 98, №3. – Art. no. 032309. – doi: http://dx.doi.org/10.1103/PhysRevA.98.032309.

Houssein E.H., Abohashima Z., Elhoseny M., Mohamed W.M. Hybrid quantum-classical convolutional neural network model for COVID-19 prediction using chest X-ray images // J. Comput. Des. Eng.. – 2022. – Vol. 9, №2. – P. 343-363. – doi: http://dx.doi.org/10.1093/jcde/qwac003.

Lusnig L., et al. Hybrid quantum image classification and federated learning for hepatic steatosis diagnosis // Diagnostics. – 2024. – Vol. 14, №5. – Art. no. 558. – doi: http://dx.doi.org/10.3390/diagnostics14050558.

Jain P., Ganguly S. Hybrid quantum generative adversarial networks for molecular simulation and drug discovery // arXiv. – 2022. – arXiv:2212.07826. – doi: http://dx.doi.org/10.48550/arXiv.2212.07826.

Sedykh A., Podapaka M., Sagingalieva A., Pinto K., Pflitsch M., Melnikov A. Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes // Mach. Learn.: Sci. Technol.. – 2024. – Vol. 5, №2. – Art. no. 025045. – doi: http://dx.doi.org/10.1088/2632-2153/ad43b2.

Kurkin A., Hegemann J., Kordzanganeh M., Melnikov A. Forecasting the steam mass flow in a powerplant using the parallel hybrid network // arXiv. – 2023. – arXiv:2307.09483. – doi: http://dx.doi.org/10.48550/arXiv.2307.09483.

Sagingalieva A., et al. Photovoltaic power forecasting using quantum machine learning // arXiv. – 2023. – arXiv:2312.16379. – doi: http://dx.doi.org/10.48550/arXiv.2312.16379.

Rainjonneau S., et al. Quantum algorithms applied to satellite mission planning for earth observation // IEEE J. Sel. Topics Appl. Earth Observ. Remote Sens.. – 2023. – Vol. 16. – P. 7062-7075. – doi: http://dx.doi.org/10.1109/JSTARS.2023.3287154.

Sagingalieva A., et al. Hybrid quantum ResNet for car classification and its hyperparameter optimization // Quantum Mach. Intell.. – 2023. – Vol. 5, №2. – Art. no. 38. – doi: http://dx.doi.org/10.1007/s42484-023-00123-2.

Landman J., et al. Quantum methods for neural networks and application to medical image classification // Quantum. – 2022. – Vol. 6. – Art. no. 881. – doi: http://dx.doi.org/10.22331/q-2022-12-22-881.

Perelshtein M., et al. Practical application-specific advantage through hybrid quantum computing // arXiv. – 2022. – arXiv:2205.04858. – doi: http://dx.doi.org/10.48550/arXiv.2205.04858.

Maziarka L., Pocha A., Kaczmarczyk J., Rataj K., Danel T., Warcho l M. Mol-CycleGAN: A generative model for molecular optimization // J. Cheminform.. – 2020. – Vol. 12. – Art. no. 1. – doi: http://dx.doi.org/10.1186/s13321-019-0404-1.

Kao P.Y., et al. Exploring the advantages of quantum generative adversarial networks in generative chemistry // J. Chem. Inf. Model.. – 2023. – Vol. 63, №11. – P. 3307-3318. – doi: http://dx.doi.org/10.1021/acs.jcim.3c00562.

Kordzanganeh M., et al. Benchmarking simulated and physical quantum processing units using quantum and hybrid algorithms // Adv. Quantum Technol.. – 2023. – Vol. 6, №8. – Art. no. 2300043. – doi: http://dx.doi.org/10.1002/qute.202300043.

Kordzanganeh M., Sekatski P., Fedichkin L., Melnikov A. An exponentially-growing family of universal quantum circuits // Mach. Learn.: Sci. Technol.. – 2023. – Vol. 4, №3. – Art. no. 035036. – doi: http://dx.doi.org/10.1088/2632-2153/ace757.

Zhu J.Y., Park T., Isola P., Efros A.A. Unpaired image-to-image translation using cycleconsistent adversarial networks // Proc. IEEE Int. Conf. Comput. Vis.. – 2017. – P. 2242-2251. – doi: http://dx.doi.org/10.1109/ICCV.2017.244.