METHODS, SYSTEMS AND NON-TRANSITORY COMPUTER READABLE MEDIA FOR AUTOMATED DESIGN OF MOLECULES WITH DESIRED PROPERTIES USING ARTIFICIAL INTELLIGENCE

• Main Authors: POPOVA, Mariya, ISAYEV, Olexandr, TROPSHA, Alexander
• Format: Patent
• Language: English; French
• Published: 24.01.2019

The subject matter described herein includes computational methods, systems and non-transitory computer readable media for de-novo drug discovery, which is based on deep learning and reinforcement learning techniques. The subject matter described herein allows generating chemical compounds with desired properties. Two deep neural networks - generative and predictive, represent the general workflow. The process of training consists of two stages. During the first stage, both models are trained separately with supervised learning algorithms, and during the second stage, models are trained jointly with reinforcement learning approach. In this study, we conduct a computational experiment, which demonstrates the efficiency of proposed strategy to maximize, minimize or impose a desired range to a property. We also thoroughly evaluate our models with quantitative approaches and provide visualization and interpretation of internal representation vectors for both predictive and generative models. La présente invention concerne des procédés de calcul, des systèmes et des supports lisibles par ordinateur non transitoires pour la découverte de médicament de novo, qui sont basés sur des techniques d'apprentissage approfondi et d'apprentissage par renforcement. L'objet de la présente invention est de permettre de générer des composés chimiques dotés de propriétés souhaitées. Deux réseaux neuronaux profonds, génératifs et prédictifs, représentent le flux de travail général. Le processus d'entraînement comprend deux étapes. Pendant la première étape, les deux modèles sont entraînés séparément avec des algorithmes d'apprentissage supervisés, et pendant la seconde étape, les modèles sont entraînés conjointement avec une approche d'apprentissage par renforcement. Dans cette étude, nous avons effectué une expérience informatique qui démontre l'efficacité de la stratégie proposée pour maximiser, minimiser ou imposer une plage souhaitée à une propriété. Nous évaluons également soigneusement nos modèles avec des approches quantitatives et fournissons une visualisation et une interprétation de vecteurs de représentation internes pour des modèles prédictifs et génératifs.