[論文レビュー] Molecule3D: A Benchmark for Predicting 3D Geometries from Molecular Graphs

Xu Zhao, Youzhi Luo+8 more|arXiv (Cornell University)|Sep 30, 2021

Machine Learning in Materials Science参考文献 54被引用数 6

ひとこと要約

この論文は、機械学習を用いて分子グラフから基底状態の3次元分子幾何構造を予測するための、最初のベンチマークである Molecule3D を紹介している。3.9百万個の分子から成るデータセット（DFTを用いて最適化された3次元構造を含む）、2つのGNNベースのベースライン（2原子間距離または原子座標を予測）を提案し、本手法がRDKitのETKDGと同等の精度を達成するとともに、7倍高速な推論を実現した。これにより、下流の性質予測が効率的に行えるようになった。

ABSTRACT

Graph neural networks are emerging as promising methods for modeling molecular graphs, in which nodes and edges correspond to atoms and chemical bonds, respectively. Recent studies show that when 3D molecular geometries, such as bond lengths and angles, are available, molecular property prediction tasks can be made more accurate. However, computing of 3D molecular geometries requires quantum calculations that are computationally prohibitive. For example, accurate calculation of 3D geometries of a small molecule requires hours of computing time using density functional theory (DFT). Here, we propose to predict the ground-state 3D geometries from molecular graphs using machine learning methods. To make this feasible, we develop a benchmark, known as Molecule3D, that includes a dataset with precise ground-state geometries of approximately 4 million molecules derived from DFT. We also provide a set of software tools for data processing, splitting, training, and evaluation, etc. Specifically, we propose to assess the error and validity of predicted geometries using four metrics. We implement two baseline methods that either predict the pairwise distance between atoms or atom coordinates in 3D space. Experimental results show that, compared with generating 3D geometries with RDKit, our method can achieve comparable prediction accuracy but with much smaller computational costs. Our Molecule3D is available as a module of the MoleculeX software library (https://github.com/divelab/MoleculeX).

研究の動機と目的

• DFTを用いた基底状態の3次元分子幾何構造を求める計算コストの高さ（1分子あたり数時間）を軽減すること。
• 機械学習を用いた分子グラフからの3次元幾何構造予測の体系的かつ包括的な研究を可能にすること。
• 大規模かつ高精度なデータセットと評価プロトコルを備えた標準化されたベンチマークの開発。
• 予測された3次元幾何構造が、下流の分子性質予測タスクの性能向上に寄与することの実証。
• MoleculeXライブラリ内でのデータ処理、学習、評価を支援するオープンソースのソフトウェアツールの提供。

提案手法

• PubChemQCから抽出した3.9百万個の分子のデータセットを収集し、高品質なDFT最適化3次元構造を有する分子にフィルタリングした。
• 幾何構造予測の精度を評価するための4つの指標（MAE、RMSD、結合角誤差、二面角誤差）を設計した。
• 2つのベースラインモデルを実装した：1つは2原子間距離を予測し、もう1つはDeeperGCN-DAGNNアーキテクチャを用いて3次元座標を予測する。
• 予測された3次元構造に基づき、3次元グラフニューラルネットワークを用いて量子的性質（例：HOMO-LUMOギャップ）を予測した。
• 一般化性能とロバストネスを評価するため、ランダム分割とスケルトン分割の両方を用いてデータセットを分割した。
• 予測された量子的性質と真値との間の平均絶対誤差（MAE）を用いて性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、DFTに比べて著しく計算コストを抑えた上で、分子グラフから正確な3次元分子幾何構造を予測できるか？
• RQ2 予測された3次元幾何構造は、RDKitのETKDGによるものと比較して、構造的正確性および下流タスクの性能において優れているか？
• RQ3 予測された3次元幾何構造は、HOMO-LUMOギャップ推定などの下流の分子性質予測タスクの精度をどの程度向上できるか？
• RQ4 単なる座標誤差を超えて、予測された3次元分子幾何構造の忠実性を評価する上で、最も有用な指標は何か？
• RQ5 提案されたベンチマークおよびソフトウェアツールは、3次元分子幾何構造予測分野における再現可能でスケーラブルな研究を可能にするか？

主な発見

• 提案されたGNNベースの手法は、RDKitのETKDG手法と同等の3次元幾何構造予測精度を達成したが、推論時間が7倍速くなった。
• 予測された3次元幾何構造を用いることで、分子グラフのみを用いた場合に比べ、下流のHOMO-LUMOギャップ予測性能が向上した。特にランダム分割条件下で顕著であった。
• 最も優れたベースライン（2原子間距離予測）は、ランダム分割における検証MAEが0.1796を記録し、分子グラフのみの入力（MAE 0.2066）を上回った。
• 真値の3次元幾何構造を入力とした場合、ランダム分割で最も低いMAE（0.0833）を達成し、正確な3次元構造の価値を裏付けた。
• スケルトン分割では性能が著しく低下し、未学習の分子スケルトンへの一般化が依然として大きな課題であることが示された。
• 予測された3次元幾何構造と真値との間の下流タスクにおける性能差は、幾何構造予測モデルのさらなる改善の余地が大きいことを示している。