Atom-in-SMILES tokenization

Abstract

Tokenization is an important preprocessing step in natural language processing that may have a significant influence on prediction quality. In this study we show that the conventional SMILES tokenization itself is at fault, resulting in tokens that fail to reflect the true nature of molecules. To address this we propose atom-in-SMILES approach, resolving the ambiguities in the genericness of SMILES tokens. Our findings in multiple translation tasks suggest that proper tokenization has a great impact on the prediction quality. Considering the prediction accuracy and token degeneration comparisons, atom-in-SMILES appears as an effective method to draw higher quality SMILES sequences out of AI-based chemical models than other tokenization schemes. We investigate the token degeneration, highlight its pernicious influence on prediction quality, quantify the token-level repetitions, and include generated examples for qualitative analysis. We believe that atom-in-SMILES tokenization can readily be utilized by the community at large, providing chemically accurate, tailor-made tokens for molecular prediction models.

Unutulma Hakki Ve Unutulma Hakkinin Mi̇rasçilar Tarafindan İleri̇ Sürülüp Sürülemeyeceği̇ni̇n Değerlendi̇ri̇lmesi̇

“…99 Somut bir olayda kişilik haklarının ölümden sonra da korunup korunmayacağının değerlendirilmesinde hâkim ölen kişinin hatırası ve üçüncü kişilerin menfaati arasındaki dengeyi karşılaştırmalıdır. 100 Kişilik hakları kişiye sıkı sıkıya bağlı olmasına rağmen kişilikten doğan haklardan dolaylı olarak etkilenenlerin de haklarının koruma değerinin bulunduğu kabul edilmelidir. Burada ölümden sonra kişilik haklarının korunmasını savunan "ölüm sonrası kişiliğin korunması" teorisi önemlidir.…”

Machine learning in energy chemistry: introduction, challenges and perspectives

“…It is easy to expand SMILES to novel representation by adding topological or atom environmental to capture precise molecular information from the structure. 48 To adapt the deep learning, O'Boyle et al and Krenn et al proposed DeepSMILES and Self-referencing Embedded Strings (SELFIES) for molecules generation, respectively((Fig. 2)a).…”