本人已参与【新人创作礼】活动，一起开启掘金创作之路。

论文名称：Self-referencing embedded strings (SELFIES): A 100% robust molecular string representation 论文地址：iopscience.iop.org/article/10.… 论文作者：Mario Krenn, Florian Häse, AkshatKumar Nigam, Pascal Friederich, Alan Aspuru-Guzik 作者博客：aspuru Machine Learning: Science and Technology

Who?

多伦多大学的团队，2019年中旬第一次发布。 一作 Mario Krenn是17年从维也纳大学毕业，现在是MPI的research group leader，他在科学美国人上有篇文章总结了他的研究内容：AI Designs Quantum Physics 通讯作者Alan Aspuru-Guzik是多大搞化学信息学的教授，接近5w citations，最高被引的是NeurIPS 15的一篇用CNN来学习分子的fingerprint的工作，第一次跳出传统的circular fingerprints的特征提取，引用量2k3百多。

What?

提出了称为SELFIES的分子表示方法

Why?

用SMILES生成分子：

1. 语法（synthactical）规则不合法：比如括号编号对不上什么的
2. 语义（semantic）规则不合法：比如化合价（valence）对不上 DeepSMILES解决了大部分语法问题，但是没有解决语义问题。 另外，用Graph生成分子不容易体现结构信息（如环的存在），字符串的表示可以理解为是2.5D的表示，所以字符串更好。

How?

Previous works 之前有专门为了ML针对SMILES的改进：DeepSMILES DeepSMILES主要就是针对环和分支特殊处理 SELFIES设计

1. Branch和Ring单独被表达（语法问题）
2. 用一个状态转移矩阵表示偏移（语义问题） 从而做到：即使任意生成的字符串都是合法的 具体来看， 状态转移矩阵 假设生成的SELFIES为：[F][=C][=C][#N] 那么一开始代入X0，第一行找到[F]得到[FX1]。现在是X_1，下一个字符是[=C]，那就找到行为X1列为[=C]的元素，为[CX3]，替掉X1就得到现在的表达式为FCX3。现在是X3，下一个字符是[=C]，那就找到对应元素为[=CX2]，现在的表达式更新为FC=CX2。再来一次得到[=N]，表达式为FC=C=N，没有X了，所以是最终表达式。 这个例子没有展示环和分支的处理，可以看到如果进入环或者分支的话会得到函数$B(Q, X_i)X_j$或者$R(Q)X_j$，表示的是用接下来的$Q$个符号，并在这个子结构开始于$X_i$的状态，出了这个子结构以$X_j$状态继续。 另外，$\epsilon$ 是空字符串，ign是这个结构之后的SELFIES符号都可以被忽略，即break。 这个表只是展示了QM9数据集出现的非离子情况，SELFIES实现了对离子，同分异构体的扩展状态转移矩阵。 这里可以看到，即使生成的SELFIES不合法，经过状态转移矩阵“解码”为SMILES表达式之后也会变成合法的，有效保证了语义规则的合法性。 单独表达Branch和Ring 先讲状态转移矩阵的原因是在单独表达Branch和Ring的时候需要引入长度的概念，而这个长度是通过状态转移矩阵得到的。举个例子： SMILES字符串的生成应该熟悉了，这里没有特殊表示芳香环。然后看到SELFIES这里在[Branch]和[Ring]之后的字符虽然都是某个原子，但是在状态转移矩阵里他们就都是数字，Branch之后的数字Q表示的是从这里之后几个字符都是在分支内，Ring之后的数字Q+1表示他和主链上成环原子的距离。 Comparison 和SMILES的对比看这个很有意思的可视化就够了： 先拿VAE在QM9数据集上训练得到241维latent。上面一行：选取任意一个平面（z0和z1357），原点为圆心采样的区域（没选中的维度都是0），将他们全部解码到对应的分子评估他们合法性的比例，绿色是100%，红色是0%。下面一行：选两维（z0和z1），还是从原点为圆心，但是偏移第三个维度（-2，-1，1，2）得到的结果。 和DeepSMILES一起比，作者做的是添加扰动的实验，对合法的字符串添加1，2，3处扰动看三种表达式扰动后的合法性。SMILES是26.6%, 9,0% and 3.7%，DeepSMILES是58,9%, 35,8% and 24,3%，SELFIES全是100%。

And?

• Code实现覆盖了最完整的合成分子数据集PubChem，只用不到500个字符覆盖了72million的分子。另外支持每个环上或每个分支内最多8000个原子。
• 现在SELFIES还没办法像SMILES那样包含所有性质，包括polyvalency, aromaticity, isotopic substitution等特性。 #todo
  • 这些特性是啥
• Important question：是否100%合法的latent space就都能提供足够有用的信息