DE NOVO DRUG DESIGN WITH DEEP GENERATIVE MODELS : AN EMPIRICAL STUDY

Abstract : We present an empirical study about the usage of RNN generative models for stochastic optimization in the context of de novo drug design. We study different kinds of architectures and we find models that can generate molecules with higher values than ones seen in the training set. Our results suggest that we can improve traditional stochastic optimizers, that rely on random perturbations or random sampling by using generative models trained on unlabeled data, to perform knowledge-driven optimization.
Type de document :
Communication dans un congrès
International Conference on Learning Representations, Apr 2017, Toulon, France
Liste complète des métadonnées

Littérature citée [36 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/hal-01773760
Contributeur : Akin Osman Kazakci <>
Soumis le : lundi 23 avril 2018 - 10:23:01
Dernière modification le : jeudi 7 février 2019 - 16:46:42
Document(s) archivé(s) le : mercredi 19 septembre 2018 - 00:21:15

Fichier

de-novo-drug (1).pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01773760, version 1

Citation

Mehdi Cherti, Balázs Kégl, Akın Kazakçı. DE NOVO DRUG DESIGN WITH DEEP GENERATIVE MODELS : AN EMPIRICAL STUDY. International Conference on Learning Representations, Apr 2017, Toulon, France. 〈hal-01773760〉

Partager

Métriques

Consultations de la notice

213

Téléchargements de fichiers

105