[논문 리뷰] A Hypergraph Convolutional Neural Network for Molecular Properties Prediction using Functional Group.

Fangying Chen, Junyoung Park외 1명|arXiv (Cornell University)|2021. 06. 02.

Computational Drug Discovery Methods참고 문헌 10인용 수 4

한 줄 요약

이 논문은 분자 성질 예측 성능을 향상시키기 위해 원자 및 기능 그룹 정보를 통합한 초그래프 컨volution 네트워크인 MolHGCN을 제안한다. 초그래프를 통해 다중 노드 상호작용을 모델링하고 이중 단계 메시지 전달 메커니즘을 사용함으로써, MolHGCN는 여러 벤치마크 데이터셋에서 기준 모델 대비 뛰어난 성능을 달성하였으며, 특히 기능 그룹 통합으로 인한 잠재 공간의 분리 가능성 향상 덕분이다.

ABSTRACT

We propose a Molecular Hypergraph Convolutional Network (MolHGCN) that predicts the molecular properties of a molecule using the atom and functional group information as inputs. Molecules can contain many types of functional groups, which will affect the properties the molecules. For example, the toxicity of a molecule is associated with toxicophores, such as nitroaromatic groups and thiourea. Conventional graph-based methods that consider the pair-wise interactions between nodes are inefficient in expressing the complex relationship between multiple nodes in a graph flexibly, and applying multi-hops may result in oversmoothing and overfitting problems. Hence, we propose MolHGCN to capture the substructural difference between molecules using the atom and functional group information. MolHGCN constructs a hypergraph representation of a molecule using functional group information from the input SMILES strings, extracts hidden representation using a two-stage message passing process (atom and functional group message passing), and predicts the properties of the molecules using the extracted hidden representation. We evaluate the performance of our model using Tox21, ClinTox, SIDER, BBBP, BACE, ESOL, FreeSolv and Lipophilicity datasets. We show that our model is able to outperform other baseline methods for most of the datasets. We particularly show that incorporating functional group information along with atom information results in better separability in the latent space, thus increasing the prediction accuracy of the molecule property prediction.

연구 동기 및 목표

• 분자의 복잡한 다중 노드 상호작용을 포괄하지 못하는 전통적인 그래프 기반 모델의 한계를 해결하기 위해.
• 원자 구조 외에도 기능 그룹 정보를 통합하여 분자 성질 예측 성능을 향상시키기 위해.
• 다중 홉 그래프 신경망에서 흔히 발생하는 과도한 스무딩 및 과적합 문제를 줄이기 위해.
• 초그래프에서의 이중 단계 메시지 전달 과정을 통해 특징 표현 학습을 향상시키기 위해.
• 기능 그룹 인식 표현이 잠재 공간에서 더 나은 분리 가능성을 제공함을 입증하기 위해.

제안 방법

• SMILES 문자열에서 추출한 기능 그룹 정보를 사용하여 분자의 초그래프 표현을 구축한다.
• 이중 단계 메시지 전달 메커니즘을 적용: 먼저 원자 수준에서, 그 다음 기능 그룹 수준에서.
• 원자 및 기능 그룹 간 메시지를 동시에 집계하기 위해 초그래프 컨볼루션을 사용한다.
• 원자 및 기능 그룹 특징을 통합하여 성질 예측을 위한 통합된 은닉 표현으로 통합한다.
• 집계된 표현을 사용하여 분자 성질을 예측하기 위해 최종 리더아웃 레이어를 적용한다.
• 과제 유형에 따라 평균 제곱오차 또는 이진 교차엔트로피 손실을 사용하여 표준 backpropagation을 통해 모델을 종합적으로 훈련시킨다.

실험 결과

연구 질문

• RQ1 표준 그래프 컨볼루션과 비교해 복잡한 다중 노드 상호작용을 초그래프 컨볼루션으로 효과적으로 모델링할 수 있는가?
• RQ2 기능 그룹 정보를 통합함으로써 분자 성질 예측 모델의 예측 성능이 향상되는가?
• RQ3 이중 단계 메시지 전달 메커니즘이 잠재 공간 내 표현 학습에 어떤 영향을 미치는가?
• RQ4 기능 그룹 통합이 학습된 표현 내 특징의 분리 가능성에 얼마나 기여하는가?
• RQ5 MolHGCN는 다양한 분자 성질 예측 과제에 잘 일반화되는가?

주요 결과

• MolHGCN는 Tox21, BACE 및 BBBP를 포함한 대부분의 평가된 데이터셋에서 기존 기준 모델을 능가한다.
• 기능 그룹 정보 통합으로 인해 잠재 공간 내 분리 가능성이 향상되어 모델 일반화 성능이 향상된다.
• 이중 단계 메시지 전달 과정이 분자 간 구조적 차이를 효과적으로 포착한다.
• 모델은 다중 홉 그래프 신경망에서 흔히 발생하는 과도한 스무딩 및 과적합 문제를 완화한다.
• 기능 그룹 인식 표현은 특히 독성 관련 성질 예측 정확도를 크게 향상시킨다.
• 초그래프 기반 접근 방식은 원자 및 기능 그룹 간 복잡한 상호작용을 더 민첩하고 표현력 있게 모델링할 수 있는 더 유연한 방법을 제공한다.