[論文レビュー] 3DReact: Geometric Deep Learning for Chemical Reactions

Puck van Gerwen, Ksenia R. Briling+5 more|arXiv (Cornell University)|Dec 13, 2023

Machine Learning in Materials Science参考文献 93被引用数 3

ひとこと要約

3DReactは、3次元分子幾何学および原子マッピング情報を統合することで、反応の活性化エネルギーを予測する幾何学的ディープラーニングモデルである。GDB7-22-TS、Cyclo-23-TS、Proparg-21-TSの多様なデータセットにおいて、平均絶対誤差（MAE ≤ 0.38 kcal/mol）が低く、内挿および外挿の両タスクにおいても頑健な性能を示し、不変および等長メッセージパッシングを両方サポートする。

ABSTRACT

Geometric deep learning models, which incorporate the relevant molecular symmetries within the neural network architecture, have considerably improved the accuracy and data efficiency of predictions of molecular properties. Building on this success, we introduce 3DReact, a geometric deep learning model to predict reaction properties from three-dimensional structures of reactants and products. We demonstrate that the invariant version of the model is sufficient for existing reaction datasets. We illustrate its competitive performance on the prediction of activation barriers on the GDB7-22-TS, Cyclo-23-TS and Proparg-21-TS datasets in different atom-mapping regimes. We show that, compared to existing models for reaction property prediction, 3DReact offers a flexible framework that exploits atom-mapping information, if available, as well as geometries of reactants and products (in an invariant or equivariant fashion). Accordingly, it performs systematically well across different datasets, atom-mapping regimes, as well as both interpolation and extrapolation tasks.

研究の動機と目的

• 3次元分子幾何学および原子マッピング情報を統合した包括的なフレームワークを構築し、反応特性の正確な予測を実現すること。
• 既存のモデルが反応特性予測において化学的（原子マッピング）および物理的（幾何学的）な事前知識を同時に活用できないというギャップを埋めること。
• 多様な反応種類およびデータセットにおける活性化エネルギー予測におけるデータ効率性および一般化性能の向上。
• 異なる原子マッピング設定および内挿・外挿の両設定下での性能評価。

提案手法

• 3DReactは、回転、平行移動、原子の置換に対して不変である等長メッセージパッシングに基づく幾何学的ディープラーニングアーキテクチャを採用している。
• 反応物および生成物の3次元座標を入力として処理し、空間的対称性を保つ等長畳み込みを用いたグラフニューラルネットワークを用いる。
• 不変および等長メッセージパッシングの両方をサポートしており、スカラー（例：活性化エネルギー）およびベクトル量の柔軟なモデリングを可能にする。
• 原子マッピング情報は別個の入力として符号化するか、代理変数として用いることで、利用可能な場合に機序的知見を活用できる。
• 反応障壁データセット上で平均絶対誤差（MAE）損失を用いてエンドツーエンドで学習する。
• 明示的な水素原子の有無、および複数の原子マッピング設定（True、Implicit、None）を想定したさまざまな構成で評価される。

実験結果

リサーチクエスチョン

• RQ1 3次元分子幾何学および原子マッピング情報を統合した幾何学的ディープラーニングモデルは、既存のモデルを上回る性能を発揮するか？
• RQ2 原子マッピングデータの導入が、異なるデータセットおよびマッピング設定下でのモデル性能にどのように影響するか？
• RQ3 等長メッセージパッシングを用いることで、不変モデルと比較して一般化性能およびデータ効率性が向上するか？
• RQ4 反応物および生成物の幾何学的構造の違いを含む構造的変動に対して、3DReactはどれほど頑健か？
• RQ5 分布外反応（すなわち外挿）への一般化はどの程度達成されるか？

主な発見

• GDB7-22-TSデータセットにおいて、'True'原子マッピング設定下で3DReactは平均絶対誤差（MAE）0.38 ± 0.07 kcal/molを達成し、先行モデルを上回る性能を示した。
• Cyclo-23-TSデータセットでは、'True'マッピング設定下でMAEが0.37 ± 0.05 kcal/molに達し、環形成反応のような複雑な反応においても高い精度を示した。
• 3つのデータセットすべてにおいて、原子マッピング設定に関わらずMAE ≤ 0.38 kcal/molを維持しており、モデルの頑健性を示している。
• GDB7-22-TSにおいて明示的な水素原子をグラフに含めることで、H–X結合形成・切断反応を含む反応種別に誤差の均一性が向上した。
• 低品質なGFN2-xTB幾何学を用いて学習しても、性能に顕著な低下が見られず、幾何的ノイズに対して強い頑健性を示した。
• SLATMd+KRRと比較して、3DReactは特に水素結合や微細な幾何的変化に敏感なデータセットにおいて顕著に低い誤差を達成した。