SMILES Pair Encoding: A Data-Driven Substructure Tokenization Algorithm for Deep Learning

词汇分析 计算机科学 人工智能 算法 子串 化学信息学 机器学习 自然语言处理 集合(抽象数据类型) 生物信息学 程序设计语言 生物
作者
Xinhao Li,Denis Fourches
出处
期刊:Journal of Chemical Information and Modeling [American Chemical Society]
卷期号:61 (4): 1560-1569 被引量:42
标识
DOI:10.1021/acs.jcim.0c01127
摘要

Simplified molecular input line entry system (SMILES)-based deep learning models are slowly emerging as an important research topic in cheminformatics. In this study, we introduce SMILES pair encoding (SPE), a data-driven tokenization algorithm. SPE first learns a vocabulary of high-frequency SMILES substrings from a large chemical dataset (e.g., ChEMBL) and then tokenizes SMILES based on the learned vocabulary for the actual training of deep learning models. SPE augments the widely used atom-level tokenization by adding human-readable and chemically explainable SMILES substrings as tokens. Case studies show that SPE can achieve superior performances on both molecular generation and quantitative structure–activity relationship (QSAR) prediction tasks. In particular, the SPE-based generative models outperformed the atom-level tokenization model in the aspects of novelty, diversity, and ability to resemble the training set distribution. The performance of SPE-based QSAR prediction models were evaluated using 24 benchmark datasets where SPE consistently either did match or outperform atom-level and k-mer tokenization. Therefore, SPE could be a promising tokenization method for SMILES-based deep learning models. An open-source Python package SmilesPE was developed to implement this algorithm and is now freely available at https://github.com/XinhaoLi74/SmilesPE.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
NexusExplorer应助芝诺的乌龟采纳,获得10
1秒前
HHCC发布了新的文献求助10
1秒前
2秒前
2秒前
徐橙橙完成签到,获得积分10
2秒前
傢誠发布了新的文献求助30
2秒前
pavonine完成签到,获得积分10
2秒前
CipherSage应助sda采纳,获得10
3秒前
雪Q发布了新的文献求助10
3秒前
渡江渡发布了新的文献求助10
4秒前
大模型应助无聊的慕凝采纳,获得10
4秒前
4秒前
小学生熊大完成签到,获得积分10
5秒前
鹏酱233发布了新的文献求助10
5秒前
huhuhu完成签到,获得积分10
6秒前
6秒前
YYL发布了新的文献求助10
7秒前
可爱的函函应助XIAOMUMU采纳,获得10
7秒前
orchid完成签到,获得积分10
7秒前
8秒前
一号小玩家完成签到,获得积分10
8秒前
潇洒完成签到,获得积分10
8秒前
11秒前
刘阳完成签到,获得积分10
11秒前
忐忑的从露完成签到,获得积分10
11秒前
不配.应助马路采纳,获得10
12秒前
无畏完成签到 ,获得积分10
12秒前
Orange应助帅气的绿凝采纳,获得10
13秒前
zoe完成签到,获得积分10
13秒前
苏卿应助淡然白安采纳,获得10
14秒前
14秒前
打打应助daheeeee采纳,获得10
15秒前
老迟到的发夹完成签到 ,获得积分10
15秒前
15秒前
YY发布了新的文献求助10
15秒前
15秒前
愉快的芒果完成签到,获得积分20
16秒前
16秒前
16秒前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
An Introduction to Geographical and Urban Economics: A Spiky World Book by Charles van Marrewijk, Harry Garretsen, and Steven Brakman 600
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3153026
求助须知:如何正确求助?哪些是违规求助? 2804161
关于积分的说明 7857753
捐赠科研通 2461956
什么是DOI,文献DOI怎么找? 1310610
科研通“疑难数据库(出版商)”最低求助积分说明 629314
版权声明 601794