[논문 리뷰] ChiENN: Embracing Molecular Chirality with Graph Neural Networks

Piotr Gaiński, Michał Koziarski외 2명|arXiv (Cornell University)|2023. 07. 05.

Computational Drug Discovery Methods인용 수 4

한 줄 요약

이 논문은 메시지 전파가 이웃 원자의 공간적 순서에 민감하도록 하여 분자의 키랄리티를 식별할 수 있도록 하는 새로운 그래프 신경망 레이어인 ChiENN을 제안한다. 메시지 집계를 이웃 원자의 순서를 고려하도록 재정의함으로써, ChiENN은 R/S, 대칭체 순위 매기기, 결합 친화도 벤치마크에서 최신 기술 대비 뛰어난 성능을 기록하며 SOTA 성능을 달성한다.

ABSTRACT

Graph Neural Networks (GNNs) play a fundamental role in many deep learning problems, in particular in cheminformatics. However, typical GNNs cannot capture the concept of chirality, which means they do not distinguish between the 3D graph of a chemical compound and its mirror image (enantiomer). The ability to distinguish between enantiomers is important especially in drug discovery because enantiomers can have very distinct biochemical properties. In this paper, we propose a theoretically justified message-passing scheme, which makes GNNs sensitive to the order of node neighbors. We apply that general concept in the context of molecular chirality to construct Chiral Edge Neural Network (ChiENN) layer which can be appended to any GNN model to enable chirality-awareness. Our experiments show that adding ChiENN layers to a GNN outperforms current state-of-the-art methods in chiral-sensitive molecular property prediction tasks.

연구 동기 및 목표

• 메시지 전파가 순열 불변성을 가지기 때문에 표준 GNN이 분자의 대칭체를 식별하는 데에 한계가 있음.
• 이웃 노드의 공간적 순서에 민감한 이론적으로 탄탄한 일반 목적의 메시지 전파 기반을 개발하여 키랄리티를 포착한다.
• 기존 분자 GNN 아키텍처에 키랄리티 인식 능력을 부여하기 위해 도메인 특화 수정 없이도 통합 가능한 플러그인 형태의 GNN 레이어(ChiENN)를 구축한다.
• 기존 방법들과 비교해 볼 때, ChiENN이 키랄 민감도가 있는 분자 성질 예측 과제에서 성능 향상이 뚜렷하게 이루어짐을 입증한다.
• R/S 분류, 대칭체 순위 매기기, 결합 친화도, 독성 예측 등 다양한 벤치마크를 통해 방법의 강건성과 일반화 능력을 검증한다.

제안 방법

• 이웃 노드의 순환적 순서를 고려하여 메시지를 집계하는 일반적인 순서 민감한 메시지 전파 프레임워크를 제안하여 순열 불변성을 깨뜨린다.
• 고정 순서 표현을 사용해 이웃 원자 간의 상대적 방향성을 인코딩하는 k-항 메시지 집계 함수를 도입함으로써 키랄리티 탐지 기능을 구현한다.
• 표준 메시지 전파 레이어를 대체할 수 있도록 기울기 가능하고 학습 가능한 모듈로 ChiENN 레이어를 설계하여 아키텍처 호환성을 유지한다.
• 메시지 전파의 방향성에 민감한 집계를 가능하게 하기 위해, 이웃 원자의 순서를 표현하는 간선 그래프 변환 기법을 적용한다.
• 3차원 좌표를 활용해 각 원자 주변의 이웃 원자들의 순환적 순서를 계산함으로써, 키랄리티 표현의 공간 일관성을 확보한다.
• ChiENN 레이어를 GPS나 GCN 등의 기존 아키텍처에 통합하여 표준 GNN 손실 함수를 사용해 엔드 투 엔드로 모델을 훈련시킨다.

Figure 1: An example of a chiral molecule (left) and its mirror image (right).

실험 결과

연구 질문

• RQ1 노드 이웃의 공간적 순서에 민감한 메시지 전파 기반을 설계할 수 있는가? 이를 통해 키랄리티 탐지가 가능해지는가?
• RQ2 제안된 순서 민감한 집계 방식은 분자 성질 예측에서 키랄 태그나 토퍼션 각도에 의존하는 기존 방법들과 비교해 어떻게 성능을 냅니다?
• RQ3 기존 GNN 모델에 ChiENN을 통합함으로써 키랄 민감도가 있는 과제에서 최신 기술 대비 성능 향상이 얼마나 이루어지는가?
• RQ4 ChiENN 레이어는 키랄리티 영향이 미묘하거나 명확하지 않은 과제들에서도 일반화 능력을 갖추고 있는가?
• RQ5 과적합이나 성능 저하 없이 키랄 정보를 효과적으로 포착하기 위해 메시지 집계 함수의 최적 k-arity는 무엇인가?

주요 결과

• ChiENN은 R/S 분류 과제에서 98.9%의 정확도를 기록하여 기준 모델인 GPS(50.0%) 및 기타 변종들보다 뚜렷이 뛰어난 성능을 보였다.
• 대칭체 순위 매기기 과제에서는 76.0%의 정확도를 기록하여 기준 GPS(0.0%) 및 키랄 태그 전용 기준(66.9%)을 모두 초월했다.
• 결합 친화도 예측 과제에서는 MAE를 0.258로 낮추어 기준 GPS의 0.330보다 성능 향상을 보였다.
• BACE 데이터셋에서는 GPS+ChiENN 구성이 AUC 0.839를 기록하여 기준 GPS(0.841) 및 다른 구성보다 뛰어난 성능을 보이며 일관된 개선을 입증했다.
• 절단 분석 결과, ChiENN 레이어만으로도 키랄 태그 기반 방법보다 키랄 민감도 과제에서 뛰어난 성능을 보였으며, 간선 그래프 변환과 조합하면 최고의 전체 성능을 달성했다.
• 메시지 함수의 k=3 설정이 모든 과제에서 최고 성능를 기록했으며, k=2는 BACE 과제에서 성능 저하가 심각하게 나타나 k=3가 최적임을 입증했다.

Figure 2: An illustration of a road map (left) and its mirror image (right). We see that the maps share the same connectivity between cities, however, to get from city $A$ to city $B$ one has to take the second exit on a roundabout $D$ for the left map, and the first exit for the right map.