[論文レビュー] ChiENN: Embracing Molecular Chirality with Graph Neural Networks

Piotr Gaiński, Michał Koziarski+2 more|arXiv (Cornell University)|Jul 5, 2023

Computational Drug Discovery Methods被引用数 4

ひとこと要約

本稿では、隣接原子の空間的順序に感受性を持つメッセージパッシングを実現することで、GNNが分子のキラリティを区別できるようにする、新しいグラフニューラルネットワーク層ChiENNを提案する。メッセージ集約を隣接ノードの順序を尊重する形に再定義することにより、ChiENNはR/S分類、エナンチオマー順位付け、結合親和性ベンチマークにおいて最先端の性能を達成し、キラル感受性の分子性質予測タスクでSOTAを達成した。

ABSTRACT

Graph Neural Networks (GNNs) play a fundamental role in many deep learning problems, in particular in cheminformatics. However, typical GNNs cannot capture the concept of chirality, which means they do not distinguish between the 3D graph of a chemical compound and its mirror image (enantiomer). The ability to distinguish between enantiomers is important especially in drug discovery because enantiomers can have very distinct biochemical properties. In this paper, we propose a theoretically justified message-passing scheme, which makes GNNs sensitive to the order of node neighbors. We apply that general concept in the context of molecular chirality to construct Chiral Edge Neural Network (ChiENN) layer which can be appended to any GNN model to enable chirality-awareness. Our experiments show that adding ChiENN layers to a GNN outperforms current state-of-the-art methods in chiral-sensitive molecular property prediction tasks.

研究の動機と目的

• 標準的なGNNが置換不変なメッセージパッシングによりエナンチオマーを区別できないという限界に対処する。
• 理論的裏付けのある、一般化可能な、ノードの隣接ノードの空間的順序に感受性を持つメッセージパッシング方式を考案し、キラリティを捉える。
• 既存の分子GNNアーキテクチャにドメイン特化の修正を加えずにキラリティ認識を可能にする、プラグイン可能なGNNレイヤー（ChiENN）を構築する。
• 既存の手法と比較して、キラル感受性の分子性質予測タスクにおける性能向上を実証する。
• R/S分類、エナンチオマー順位付け、結合親和性、毒性予測を含む多様なベンチマークで手法を検証し、妥当性と一般化性能を示す。

提案手法

• 隣接ノードの巡回的順序に基づいてメッセージを集約することで、置換不変性を破る一般化された順序感受性メッセージパッシングフレームワークを提案する。
• 固定順序表現を用いて隣接ノードの相対的順序を符号化するk-項メッセージ集約関数を導入し、キラリティ検出を可能にする。
• 標準的なメッセージパッシングレイヤーに置き換え可能な微分可能で学習可能なモジュールとしてChiENNレイヤーを設計し、アーキテクチャの互換性を維持する。
• 隣接ノードの順序を符号化する有向エッジを用いたエッジグラフ変換を適用し、方向に依存する集約を可能にする。
• 幾何的情報（3次元座標）を用いて各原子の周囲の隣接ノードの巡回的順序を計算し、キラリティ表現における空間的一致性を確保する。
• 標準的なGNN損失関数を用いてエンドツーエンドで学習し、ChiENNレイヤーをGPSやGCNなどの既存アーキテクチャに統合する。

Figure 1: An example of a chiral molecule (left) and its mirror image (right).

実験結果

リサーチクエスチョン

• RQ1 ノードの隣接ノードの空間的順序に感受性を持つメッセージパッシング方式を設計することで、キラリティ検出を可能にすることができるか？
• RQ2 本稿で提案する順序感受性集約は、キラルタグや二面角に依存する従来手法と比較して、分子性質予測においてどのように優れているか？
• RQ3 既存のGNNモデルにChiENNを統合することで、キラル感受性タスクにおける性能がSOTAアプローチと比較してどの程度向上するか？
• RQ4 ChiENNレイヤーは、キラリティ効果が微弱または明確でないタスクに対しても一般化可能か？
• RQ5 過学習や性能低下を避ける観点から、キラル情報を捉えるために最適なk-arityは何か？

主な発見

• R/S分類タスクでは98.9%の精度を達成し、ベースラインのGPSモデル（50.0%）および他の変種を顕著に上回った。
• エナンチオマー順位付けタスクでは76.0%の精度を達成し、ベースラインのGPS（0.0%）およびキラルタグのみのベースライン（66.9%）を上回った。
• 結合親和性予測ではMAEを0.258まで低下させ、ベースラインのGPS（0.330）と比較して回帰性能が向上した。
• BACEデータセットでは、GPS+ChiENN構成がAUC 0.839を達成し、ベースラインのGPS（0.841）および他の構成を上回り、一貫した改善が確認された。
• アブレーションスタディの結果、ChiENNレイヤー単体でもキラルタグ法を上回り、エッジグラフ変換と組み合わせることで最良の全体的性能が得られた。
• メッセージ関数のk=3設定が全タスクで最良の性能を示し、k=2ではBACEで顕著な性能低下が見られたことから、k=3が最適であると裏付けられた。

Figure 2: An illustration of a road map (left) and its mirror image (right). We see that the maps share the same connectivity between cities, however, to get from city $A$ to city $B$ one has to take the second exit on a roundabout $D$ for the left map, and the first exit for the right map.