论文标题：SMILES Enumeration as Data Augmentation for Neural Network Modeling of Molecules

论文地址：https://arxiv.org/abs/1703.07076

代码地址：https://github.com/Ebjerrum/SMILES-enumeration

一、摘要

摘要中明显提出：先指出多个SMILES对应一个分子，标准SMILES对应一个分子。采用数据增强，使得数据集扩大130倍，然后指出改进效果。

二、Introduction

第一段：描述数据集大小限制了OSAR领域的应用。小数据集需要更多正则化或者小网络。在CV中可以通过多种手段进行数据增强，以扩大数据集，使得模型更具鲁棒性。

第二段：分子表征有三种（分子描述符、SMILES、Graph），SMILES的变化有很多种，如CCC→C(C)C，分子越复杂，其变化越多，对应的SMILES也越多。如下：

第三段：描述应用方法。SMILES enumeration for QSAR using LSTM

三、Methods

SMILES enumeration：一个python脚本(函数)。将SMILES转化为molfile→打乱原子顺序→转换为mol→RDKit生成SMILES→存入set中(保证不重)。简洁代码：

def randomize_smile(sml):
    """Function that randomizes a SMILES sequnce. This was adapted from the
    implemetation of E. Bjerrum 2017, SMILES Enumeration as Data Augmentation
    for Neural Network Modeling of Molecules.
    Args:
        sml: SMILES sequnce to randomize.
    Return:
        randomized SMILES sequnce or
        nan if SMILES is not interpretable.
    """
    try:
        m = Chem.MolFromSmiles(sml)
        ans = list(range(m.GetNumAtoms()))
        np.random.shuffle(ans)
        nm = Chem.RenumberAtoms(m, ans)
        return Chem.MolToSmiles(nm, canonical=False)
    except:
        return float('nan')

Molecular dataset：756 dihydrofolate inhibitors with P. carinii DHFR inhibition data

J. J. Sutherland, L. A. O’Brien, D. F. Weaver, Spline-fitting with a genetic algorithm: a method for developing classification structure-activity relationships., Journal of chemical information and computer sciences 43 (2003) 1906–1915. doi: 10.1021/ci034143r.

训练：测试=9:1,并没有在验证集上取best。embedding_dim = 74,one-hot编码。

LSTM neural network：LSTM+全连接层。两个模型，一个是标准模型，一个是枚举模型。实行超参数搜索。标准模型应该LSTM layers更小会更好一点（因为数据集小），应该是陷入模型局部最优值。但是L1、L2的正则化有一点的作用。

损失下降：蓝线是没有正则化惩罚的均方误差，绿线是包含正则化惩罚的损失，红线是测试集中的均方误差。标准模型在标准数据上要迭代更多epoch，因为数据集要远小于枚举数据集，需要更多梯度更新。但是运行时间大致相同。

散点图：左列为标准模型在标准数据集、枚举数据集上的表现。右列为枚举模型在标准数据集、枚举数据集上的表现。

下表列出具体数值：

该研究缺乏对训练集、测试集和验证集的划分，其中超参数在测试集上进行调优，但最终性能在验证集上进行评估。因此，LSTM-QSAR模型观测到的预测性能可能在一定程度上被高估。

然而，本研究的重点是使用SMILES枚举的增益，而不是生成最优的DHFR QSAR模型。正则模型在训练和测试集上的性能都较低。如果性能上的差异是由于过度拟合造成的，那么较小的数据集可能会有优势。

四、Conclusion

This short investigation has shown promise in using SMILES enumeration as a data augmentation technique for neural network QSAR models based on SMILES data.