[論文レビュー] Directional Message Passing on Molecular Graphs via Synthetic Coordinates

Johannes Klicpera, Chandan Yeshwanth+1 more|arXiv (Cornell University)|Nov 8, 2021

Computational Drug Discovery Methods被引用数 5

ひとこと要約

本稿では、分子グラフから導出される距離境界とグラフベースの距離という合成座標を提案し、実際の原子座標が不要な方向性のあるメッセージパッシングを可能にする。標準的なGNNをこれらの合成座標を用いて方向性のあるMPNNに変換することで、ZINCでは誤差を55%削減し、ZINCおよび座標フリーのQM9ベンチマークで新たなSOTAを達成した。

ABSTRACT

Graph neural networks that leverage coordinates via directional message passing have recently set the state of the art on multiple molecular property prediction tasks. However, they rely on atom position information that is often unavailable, and obtaining it is usually prohibitively expensive or even impossible. In this paper we propose synthetic coordinates that enable the use of advanced GNNs without requiring the true molecular configuration. We propose two distances as synthetic coordinates: Distance bounds that specify the rough range of molecular configurations, and graph-based distances using a symmetric variant of personalized PageRank. To leverage both distance and angular information we propose a method of transforming normal graph neural networks into directional MPNNs. We show that with this transformation we can reduce the error of a normal graph neural network by 55% on the ZINC benchmark. We furthermore set the state of the art on ZINC and coordinate-free QM9 by incorporating synthetic coordinates in the SMP and DimeNet++ models. Our implementation is available online.

研究の動機と目的

• 分子グラフにおける方向性のあるメッセージパッシングGNNが、高価または入手不可能な実際の原子座標を必要とするという制限を解消すること。
• 真の分子構造に依存せずに、分子性質予測における最先端のGNN性能を達成する手法を開発すること。
• 空間情報を近似するための合成座標として、距離境界と対称的個人化PageRankに基づくグラフ距離を導入すること。
• SMP や DimeNet++ といった既存のGNNアーキテクチャにこれらの合成座標を統合し、ベンチマークデータセットでの性能向上を図ること。
• 合成座標を用いることで、ZINCおよびQM9において実座標を用いたモデルと同等またはそれ以上の性能を達成できることを示すこと。

提案手法

• 分子構造の可能な範囲を推定する距離境界を、合成座標の一種として提案する。
• 構造的近接性を捉えるために、個人化PageRankの対称的変種を用いたグラフベースの距離を導入する。
• 標準的なグラフニューラルネットワークを合成座標を用いて方向性のあるメッセージパッシングGNNに変換する変換手法を設計する。
• メッセージ集約に方向性および角度情報を組み込むことで、メッセージパッシングを強化する。
• SMP や DimeNet++ といった既存モデルに合成座標フレームワークを統合し、その予測性能を向上させる。
• 合成座標を入力特徴として用いるエンドツーエンドの学習を可能にする微分可能フレームワークを採用する。

実験結果

リサーチクエスチョン

• RQ1 合成座標は、分子性質予測における方向性のあるメッセージパッシングGNNで、実際の原子座標を効果的に置き換えられるか？
• RQ2 距離境界とグラフベースの距離は、分子グラフにおける空間情報をどの程度正確に近似できるか？
• RQ3 合成座標は、ZINC や QM9 のようなベンチマークデータセットにおける標準GNNの性能をどの程度向上できるか？
• RQ4 SMP や DimeNet++ といった既存モデルに合成座標を統合することで、実座標がなくても最先端の結果を達成できるか？
• RQ5 合成座標による性能向上は、さまざまな分子性質予測タスクにわたり一貫して有効であるか？

主な発見

• 合成座標を用いることで、標準的なグラフニューラルネットワークのZINCベンチマークにおける誤差が55%削減された。
• SMP および DimeNet++ モデルに合成座標を統合することで、ZINCデータセットで新たなSOTAを達成した。
• 座標フリーのQM9ベンチマークでは、実際の原子座標ではなく合成座標を用いることで、SOTA性能を達成した。
• 合成座標のおかげで、真の分子構造が入手不可であっても、GNNにおける方向性のあるメッセージパッシングが可能になった。
• 対称的個人化PageRankに基づく距離メトリックは、分子グラフ内の構造的関係を効果的に捉えており、モデル性能の向上に寄与した。