[論文レビュー] Molecular Mechanics-Driven Graph Neural Network with Multiplex Graph for Molecular Structures

Shuo Zhang, Yang Liu+1 more|arXiv (Cornell University)|Nov 15, 2020

Machine Learning in Materials Science参考文献 17被引用数 51

ひとこと要約

MXMNet は局所的な共価結合とグローバルな非共有結合の相互作用をモデル化する2層のマルチプレスグラフを導入し、効率的なメッセージ伝達のための専用 MXM モジュールを備え、制限されたリソースの下で QM9 と PDBBind における最先端の結果を達成します。

ABSTRACT

The prediction of physicochemical properties from molecular structures is a crucial task for artificial intelligence aided molecular design. A growing number of Graph Neural Networks (GNNs) have been proposed to address this challenge. These models improve their expressive power by incorporating auxiliary information in molecules while inevitably increase their computational complexity. In this work, we aim to design a GNN which is both powerful and efficient for molecule structures. To achieve such goal, we propose a molecular mechanics-driven approach by first representing each molecule as a two-layer multiplex graph, where one layer contains only local connections that mainly capture the covalent interactions and another layer contains global connections that can simulate non-covalent interactions. Then for each layer, a corresponding message passing module is proposed to balance the trade-off of expression power and computational complexity. Based on these two modules, we build Multiplex Molecular Graph Neural Network (MXMNet). When validated by the QM9 dataset for small molecules and PDBBind dataset for large protein-ligand complexes, MXMNet achieves superior results to the existing state-of-the-art models under restricted resources.

研究の動機と目的

• 制限されたリソース下で、分子構造から物理化学的性質を効率的かつ高精度に予測することを動機付ける。
• 各分子を2層のマルチプレスグラフとして表現し、局所的な共価結合とグローバルな非共有結合相互作用を分離する。
• 表現力と効率性をバランスさせるため、局所層とグローバル層に合わせた専用のメッセージ伝達モジュールを開発する。
• MXMNet がベンチマークデータセット（QM9 と PDBBind）で優れた精度とメモリ効率を達成することを示す。

提案手法

• Gl が局所的な共価結合相互作用を、Gg がグローバルな非共有結合相互作用を符号化する、二層のマルチプレスグラフ G = {Gl, Gg} を構築する。
• MXMモジュールを、GgとGlを処理するために別々のグローバル層と局所層のメッセージ伝達を備えて設計する。
• 層間情報を交換し、GlとGg間でノード埋め込みを整合させるためのクロスレイヤーマッピング f_cross を実装する。
• 原子特徴の埋め込みモジュールと、3D座標からのRBF/SBF基底関数を用いて、エッジ表現と角度表現を形成する。
• MXMモジュールを MXMNet アーキテクチャに積み重ね、最終的な性質予測のために全ノード・全層の出力を統合する。

実験結果

リサーチクエスチョン

• RQ1 局所とグローバルな相互作用を分離する2層のマルチプレスグラフで、分子を効果的にモデル化できるか？
• RQ2 角度情報に富むGNNと比較して、局所層・グローバル層に特化したメッセージ伝達モジュールは予測精度を改善し、メモリ使用量を削減するか？
• RQ3 局所層とグローバル層間の情報統合におけるクロスレイヤーマッピングの影響は何か？
• RQ4 QM9およびPDBBindデータセットにおけるMXMNetの予測精度と効率性はどうか？

主な発見

• MXMNet は QM9 の 9 つのターゲット全てでベースラインモデルを上回る。
• より大きなバッチサイズ（BS=128）は、小さなバッチと比べて学習が速く、性能が向上する。
• MXMNet は DimeNet よりも著しく低いメモリ消費を示し、MAE は競合するかより良い。
• PDBBind では、MXMNet は SchNet および PhysNet よりも高い Pearson R（0.664）と低い MAE（1.733）を達成し、メモリの問題のため DimeNet は報告されていない。
• アブレーション研究は、局所 MXM モジュールとグローバル MXM モジュールの両方が最高性能には不可欠であり、片方のモジュールのみを用いると結果が劣化することを示している。
• 相互作用カットオフが大きく、分子が大きいほど、モデルの効率性の優位性が拡大する。