[論文レビュー] A Hypergraph Convolutional Neural Network for Molecular Properties Prediction using Functional Group.

Fangying Chen, Junyoung Park+1 more|arXiv (Cornell University)|Jun 2, 2021

Computational Drug Discovery Methods参考文献 10被引用数 4

ひとこと要約

本稿では、分子の性質予測を向上させるために原子および機能的基団情報を統合するハイパーグラフ畳み込みネットワーク、MolHGCNを提案する。ハイパーグラフを用いて複数ノード間の相互作用をモデル化し、2段階のメッセージパッシング機構を採用することで、MolHGCNはTox21、BACE、その他のベンチマークデータセットにおいてベースライン手法を上回る優れた性能を達成した。特に、機能的基団の統合による潜在空間の分離性の向上がその要因である。

ABSTRACT

We propose a Molecular Hypergraph Convolutional Network (MolHGCN) that predicts the molecular properties of a molecule using the atom and functional group information as inputs. Molecules can contain many types of functional groups, which will affect the properties the molecules. For example, the toxicity of a molecule is associated with toxicophores, such as nitroaromatic groups and thiourea. Conventional graph-based methods that consider the pair-wise interactions between nodes are inefficient in expressing the complex relationship between multiple nodes in a graph flexibly, and applying multi-hops may result in oversmoothing and overfitting problems. Hence, we propose MolHGCN to capture the substructural difference between molecules using the atom and functional group information. MolHGCN constructs a hypergraph representation of a molecule using functional group information from the input SMILES strings, extracts hidden representation using a two-stage message passing process (atom and functional group message passing), and predicts the properties of the molecules using the extracted hidden representation. We evaluate the performance of our model using Tox21, ClinTox, SIDER, BBBP, BACE, ESOL, FreeSolv and Lipophilicity datasets. We show that our model is able to outperform other baseline methods for most of the datasets. We particularly show that incorporating functional group information along with atom information results in better separability in the latent space, thus increasing the prediction accuracy of the molecule property prediction.

研究の動機と目的

• 分子内の複雑な複数ノード相互作用を捉えることに限界を示す従来のグラフベースのモデルの課題に対処すること。
• 原子構造に加えて機能的基団情報を取り入れることで、分子性質予測を向上させること。
• マルチホップグラフニューラルネットワークで一般的に見られる過剰平滑化および過学習の問題を軽減すること。
• ハイパーグラフ上で2段階のメッセージパッシングプロセスを用いることで、特徴表現学習を強化すること。
• 機能的基団に配慮した表現が潜在空間における分離性を向上させることを示すこと。

提案手法

• SMILES文字列から抽出された機能的基団情報を用いて、分子のハイパーグラフ表現を構築する。
• 2段階のメッセージパッシング機構を採用：まず原子レベルで、次に機能的基団レベルで処理を行う。
• ハイパーグラフ畳み込みを用いて、原子および機能的基団の両方を同時にメッセージを集約する。
• 原子および機能的基団の両方の特徴を統合し、性質予測用の統一された隠れ表現を生成する。
• 集約された表現を用いて分子性質を予測する最終的なリードアウト層を適用する。
• タスクに応じて平均二乗誤差またはバイナリクロスエントロピー損失を用い、標準的なバックプロパゲーションによりモデルをエンドツーエンドで訓練する。

実験結果

リサーチクエスチョン

• RQ1 標準的なグラフ畳み込みと比較して、ハイパーグラフ畳み込みは分子グラフにおける複数ノード相互作用を効果的にモデル化できるか？
• RQ2 機能的基団情報の統合は、分子性質予測モデルの予測性能を向上させるか？
• RQ3 2段階のメッセージパッシング機構は、潜在空間における表現学習にどのように影響するか？
• RQ4 機能的基団の統合は、学習された表現における特徴の分離性をどの程度向上させるか？
• RQ5 MolHGCNは多様な分子性質予測タスクに一般化して適応できるか？

主な発見

• MolHGCNは、Tox21、BACE、BBBPを含む、評価された大多数のデータセットで既存のベースラインモデルを上回った。
• 機能的基団情報の統合により、潜在空間における分離性が向上し、モデルの一般化性能が向上した。
• 2段階のメッセージパッシングプロセスは、分子間のサブ構造的差異を効果的に捉えた。
• モデルはマルチホップグラフニューラルネットワークで一般的に見られる過剰平滑化および過学習の問題を軽減した。
• 機能的基団に配慮した表現は、特に毒性関連の性質に対して予測精度を顕著に向上させた。
• ハイパーグラフベースのアプローチは、原子および機能的基団間の複雑な相互作用をより柔軟かつ表現力豊かにモデル化する方法を提供した。