[논문 리뷰] Molecular Mechanics-Driven Graph Neural Network with Multiplex Graph for Molecular Structures

Shuo Zhang, Yang Liu외 1명|arXiv (Cornell University)|2020. 11. 15.

Machine Learning in Materials Science참고 문헌 17인용 수 51

한 줄 요약

MXMNet은 로컬 공유결합 상호작용과 글로벌 비공유 결합 상호작용을 모델링하기 위한 두 층의 멀티플렉스 그래프를 도입하고, 효율적인 메시지 전달을 위한 MXM 모듈을 통해 제한된 자원에서 QM9 및 PDBBind에 대해 최첨단 성능을 달성한다.

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.

연구 동기 및 목표

• 분자 구조에서 물리화학적 특성을 한정된 자원 하에서 효율적이고 강력하게 예측하는 동기를 제시한다.
• 각 분자를 로컬 공유결합 상호작용을 인코딩하는 Gl과 글로벌 비공유 상호작용을 인코딩하는 Gg로 구성된 두 층의 멀티플렉스 그래프로 표현한다.
• 한정된 표현력과 효율성의 균형을 맞추기 위해 로컬 및 글로벌 층에 특화된 메시지 전달 모듈을 개발한다.
• MXMNet이 벤치마크 데이터셋(QM9 및 PDBBind)에서 우수한 정확도와 메모리 효율성을 달성한다는 것을 입증한다.

제안 방법

• 로컬 공유결합 상호작용을 인코딩하는 Gl과 글로벌 비공유 상호작용을 인코딩하는 Gg를 갖는 두 층의 멀티플렉스 그래프 G = {Gl, Gg}를 구성한다.
• 글로발-레이어와 로컬-레이어 메시지 전달을 각각 처리하도록 MXM 모듈을 설계하여 Gg와 Gl를 처리한다.
• 레이어 간 정보를 교환하고 Gl와 Gg 간 노드 임베딩을 정렬하기 위한 교차-레이어 매핑 f_cross를 구현한다.
• 원자 특성에 대한 임베딩 모듈과 3D 좌표로부터의 RBF/SBF 기저 함수를 사용하여 간격(edge) 및 각도 표현을 형성한다.
• MXM 모듈을 MXMNet 아키텍처에 쌓고 모든 노드와 레이어의 출력을 모아 최종 특성 예측에 이용한다.

실험 결과

연구 질문

• RQ1 로컬 및 글로벌 상호작용을 구분하는 두 층 멀티플렉스 그래프로 분자가 효과적으로 모델링될 수 있는가?
• RQ2 레이어 특화 메시지 전달 모듈이 각성정보가 풍부한 각도-정보 기반 GNN에 비해 예측 정확도 향상과 메모리 사용 감소를 제공하는가?
• RQ3 교차-레이어 매핑이 로컬 및 글로벌 층 간 정보 통합에 미치는 영향은 무엇인가?
• RQ4 MXMNet은 QM9 및 PDBBind 데이터셋에서 예측 정확도와 효율성 측면에서 어떻게 성능을 보이는가?

주요 결과

• MXMNet은 QM9에서 9개 목표에 대해 기준 모델보다 우수한 성능을 보인다.
• 더 큰 배치 크기 BS=128가 더 작은 배치에 비해 학습 속도와 성능을 향상시킨다.
• MXMNet은 DimeNet에 비해 메모리 사용이 현저히 적으면서도 MAE를 경쟁력 있게 또는 더 좋게 달성한다.
• PDBBind에서 MXMNet은 피어슨 상관계수 R(0.664)와 MAE(1.733)가 SchNet 및 PhysNet보다 높거나 더 낮아 더 나은 성능을 보이며, DimeNet은 메모리 문제로 보고되지 않았다.
• 특징 분석(ablation)에서는 로컬 및 글로벌 MXM 모듈이 모두 최적 성능에 필수적임을 보였고, 하나의 모듈만 사용할 경우 성능이 감소한다.
• 상호작용 컷오프가 커지고 분자 크기가 커질수록 모델의 효율성 이점이 커진다.