Vergleich verschiedener Variationaler Autencoder-Konzepte zur Generierung effektiver Molekülrepräsentationen von niedermolekularen organischen Verbindungen

Abstract

Diese Bachelorarbeit befasst sich mit verschiedenen variationalen Autoencoder-Konzepten und dem Einsatz dieser als generative Modelle für niedermolekulare organische Verbindungen. Dabei wird ausführlich auf die Grundlagen eingegangen. Es werden dabei sehr verschiedene Konzepte betrachtet, welche sich in den ihnen zugrunde liegenden neuronalen Netzwerken und sich teilweise in ihrer Vorgehensweise unterscheiden. Während eines ein Language Model für Moleküle im SMILES-Format darstellt(Gómez-Bombarelli u. a. (2018)), nutzt ein anderes unter anderem Gated Graph neural networks(Liu u. a. (2018)) und ein weiteres betrachtet Moleküle in Fragmente unterteilt als ein etwas anderes Language Model(Podda u. a. (2020)). Die Eigenschaften des Latent Spaces, der verschiedenen variationalen Autoencoder und die Eignung der verschiedenen Architekturen als generative Modelle für Moleküle werden genauer betrachtet.

This bachelor thesis looks at different variational Autoencoder concepts and their utilization as generative models for organic small molecules. This is done with a look into the underlying foundations of these topics. Specifically, very different concepts are looked at, which differ in their underlying neural network architecture and their general approach. One is a language Model, looking at molecules in the SMILES-format charaterwise (Gómez-Bombarelli u. a. (2018)). Another one is using amongst other structure gated graph neural networks(Liu u. a. (2018)). And yet another VAE-architecture looks at molecules divided into sequences of fragments and provides a generative model for them as such(Podda u. a. (2020)). Some features of the latent spaces and the general applicability of these architecture as generative models for molecules will be investigated.