[論文レビュー] Deeply learning molecular structure-property relationships using attention- and gate-augmented graph convolutional network

Seongok Ryu, Jaechang Lim+2 more|arXiv (Cornell University)|May 28, 2018

Machine Learning in Materials Science参考文献 53被引用数 80

ひとこと要約

論文は分子特性予測のためのグラフ畳み込みネットワークを注意機構とゲート付きスキップ接続を取り入れて強化し、特徴抽出と潜在空間の組織化を改善します。

ABSTRACT

Molecular structure-property relationships are key to molecular engineering for materials and drug discovery. The rise of deep learning offers a new viable solution to elucidate the structure-property relationships directly from chemical data. Here we show that the performance of graph convolutional networks (GCNs) for the prediction of molecular properties can be improved by incorporating attention and gate mechanisms. The attention mechanism enables a GCN to identify atoms in different environments. The gated skip-connection further improves the GCN by updating feature maps at an appropriate rate. We demonstrate that the resulting attention- and gate-augmented GCN could extract better structural features related to a target molecular property such as solubility, polarity, synthetic accessibility and photovoltaic efficiency compared to the vanilla GCN. More interestingly, it identified two distinct parts of molecules as essential structural features for high photovoltaic efficiency, and each of them coincided with the areas of donor and acceptor orbitals for charge-transfer excitations, respectively. As a result, the new model could accurately predict molecular properties and place molecules with similar properties close to each other in a well-trained latent space, which is critical for successful molecular engineering.

研究の動機と目的

• GCNを用いて構造から分子特性の予測を改善する動機づけ。
• 異なる環境にある原子を同定するために注意機構を取り入れる。
• 適切な速度で特徴マップを更新するためのゲート付きスキップ接続を導入する。
• モデルが従来のGCNよりも構造と特性の関係をより効果的に捉えることを示す。

提案手法

• 原子環境を際立たせるために注意機構を備えたグラフ畳み込みネットワークを拡張する。
• 特徴マップの更新を制御するためにゲート付きスキップ接続を追加する。
• 溶解性、極性、合成容易性、光伏効率などの性質を予測するために分子データで学習する。
• 潜在空間を分析して類似の特性を持つ分子のクラスタリングを示す。
• 高い光伏効率と相関する構造的サブパーツを特定し、それらを供与体/受容体軌道領域に関連づける。

実験結果

リサーチクエスチョン

• RQ1 GCNにおける注意機構は、対象となる分子特性に関連する原子環境の特定に役立つか？
• RQ2 ゲート付きスキップ接続は従来のGCNより学習ダイナミクスと予測性能を改善するか？
• RQ3 モデルは溶解性、極性、合成容易性、光伏効率などの性質と相関する意味のある構造的特徴を抽出するか？
• RQ4 学習された表現は類似の性質を持つ分子を潜在空間で近くに配置できるか？
• RQ5 特定の性質を駆動する機能領域が存在し、解釈可能なサブ構造（例：ドナー/アクセプター領域）があるか？

主な発見

• 注意機構とゲート付きGCNは、従来のGCNよりターゲットとする分子特性をより良く予測する。
• モデルは溶解性、極性、合成容易性、および光伏効率により関連する構造特徴を抽出する。
• 高い光伏効率に不可欠な2つの異なる分子部位を特定し、これらがドナーおよびアクセプター軌道領域と一致する。