グアカモール：de novo分子設計のベンチマークモデル

De Novo Designは、仮想設計メイクテストサイクルによって必要なプロパティプロファイルを備えた分子を生成しようとしています。多くのアプリケーション分野での深い学習および神経生成モデルの出現により、ニューラルネットワークに基づく分子設計のモデルが最近登場し、有望な結果を示しています。ただし、新しいモデルは一貫したタスクではプロファイルされておらず、確立されたアルゴリズムとの比較研究はめったに実行されませんでした。de novo分子設計の古典モデルとニューラルモデルの両方の評価を標準化するために、一連の標準化されたベンチマークに基づいて、評価フレームワークであるワカモールを提案します。ベンチマークタスクには、モデルの忠実度を測定して、トレーニングセットの特性分布、新しい分子を生成する能力、化学空間の探索と搾取、およびさまざまな単一および多目的最適化タスクを生成する能力を測定します。ベンチマークオープンソースPythonコードとリーダーボードは、https：//benevolent.ai/guacamolにあります。

De novo design seeks to generate molecules with required property profiles by virtual design-make-test cycles. With the emergence of deep learning and neural generative models in many application areas, models for molecular design based on neural networks appeared recently and show promising results. However, the new models have not been profiled on consistent tasks, and comparative studies to well-established algorithms have only seldom been performed. To standardize the assessment of both classical and neural models for de novo molecular design, we propose an evaluation framework, GuacaMol, based on a suite of standardized benchmarks. The benchmark tasks encompass measuring the fidelity of the models to reproduce the property distribution of the training sets, the ability to generate novel molecules, the exploration and exploitation of chemical space, and a variety of single and multiobjective optimization tasks. The benchmarking open-source Python code and a leaderboard can be found on https://benevolent.ai/guacamol .