[논문 리뷰] MolGraph: a Python package for the implementation of molecular graphs and graph neural networks with TensorFlow and Keras

Alexander Kensert, Gert Desmet외 1명|arXiv (Cornell University)|2022. 08. 21.

Computational Drug Discovery Methods인용 수 6

한 줄 요약

MolGraph는 텐서플로 및 케라스 생태계 내에서 분자 그래프와 그래프 신경망(GNN)을 구현할 수 있도록 해주는 파이썬 패키지입니다. 분자 그래프 구축 및 GNN 학습을 지원하며, MoleculeNet과 크로마토그래피 수명 시간 데이터셋에서 뛰어난 성능을 보이며 분자 식별 작업의 해석 가능성도 향상시킵니다.

ABSTRACT

Molecular machine learning (ML) has proven important for tackling various molecular problems, such as predicting molecular properties based on molecular descriptors or fingerprints. Since relatively recently, graph neural network (GNN) algorithms have been implemented for molecular ML, showing comparable or superior performance to descriptor or fingerprint-based approaches. Although various tools and packages exist to apply GNNs in molecular ML, a new GNN package, named MolGraph, was developed in this work with the motivation to create GNN model pipelines highly compatible with the TensorFlow and Keras application programming interface (API). MolGraph also implements a chemistry module to accommodate the generation of small molecular graphs, which can be passed to a GNN algorithm to solve a molecular ML problem. To validate the GNNs, they were benchmarked against the datasets of MoleculeNet, as well as three chromatographic retention time datasets. The results on these benchmarks illustrate that the GNNs performed as expected. Additionally, the GNNs proved useful for molecular identification and improved interpretability of chromatographic retention time data. MolGraph is available at https://github.com/akensert/molgraph. Installation, tutorials and implementation details can be found at https://molgraph.readthedocs.io/en/latest/.

연구 동기 및 목표

• 분자 기계학습을 위한 텐서플로와 케라스 API와 완전히 호환되는 GNN 프레임워크를 개발하기 위해.
• 분자 응용 분야에서 GNN과 인기 있는 딥러닝 프레임워크 간의 원활한 통합 부족 문제를 해결하기 위해.
• GNN 학습에 적합한 소형 분자 그래프를 생성하기 위한 화학 지능형 모듈을 제공하기 위해.
• 기존의 분자 데이터셋과 실제 크로마토그래피 데이터에 대한 GNN 성능을 평가하기 위해.
• 분자 성질 예측 및 수명 시간 모델링에서 GNN 예측의 해석 가능성 향상시키기 위해.

제안 방법

• 표준 분자 구조 데이터를 사용하여 분자 그래프 표현을 구현하여 계산용 그래프 포맷으로의 변환을 가능하게 합니다.
• 텐서플로 및 케라스와 통합되어 기존의 케라스 기능형 및 순차형 API를 사용한 엔드 투 엔드 GNN 모델 구축을 허용합니다.
• 특화된 화학 모듈을 통해 SMILES 또는 기타 분자 입력 형식에서 분자 그래프를 생성합니다.
• 메시지 전달 신경망(MPNN) 원리를 케라스 프레임워크 내에서 구현하여 GNN 아키텍처를 설계합니다.
• 표준 케라스 콜백 및 유틸리티를 사용한 학습 및 추론 파이프라인을 지원합니다.
• 성능 검증을 위해 MoleculeNet 벤치마크와 세 개의 크로마토그래피 수명 시간 데이터셋을 사용하여 모델을 평가합니다.

실험 결과

연구 질문

• RQ1 텐서플로와 케라스 생태계 내에서 분자 기계학습 작업을 위한 효과적이고도 실용적인 GNN 프레임워크를 개발하고 구현할 수 있는가?
• RQ2 MoleculeNet과 같은 표준 분자 성질 예측 벤치마크에서 MolGraph의 성능는 기존의 방법들과 비교해 어떻게 되는가?
• RQ3 MolGraph를 사용해 학습한 GNN은 크로마토그래피 수명 시간 예측에서 얼마나 높은 해석 가능성 향상을 이룰 수 있는가?
• RQ4 MolGraph는 하류의 GNN 학습 및 추론을 위한 분자 그래프를 효율적으로 생성하고 처리할 수 있는가?
• RQ5 이 패키지의 설계는 기존 딥러닝 워크플로우와의 사용성 및 통합에 어떤 영향을 미치는가?

주요 결과

• MolGraph는 케라스 API와 호환되는 GNN을 성공적으로 구현하여 기존 딥러닝 워크플로우에 원활하게 통합할 수 있음을 입증했습니다.
• MoleculeNet 벤치마크에서 기존의 기술자 및 지문 기반 방법들과 비교해 유사하거나 뛰어난 성능을 기록했습니다.
• 이 프레임워크는 분자 식별 작업에서 유용성을 입증하였으며, 수명 시간 데이터에 대한 예측 정확도가 향상되었습니다.
• MolGraph로 학습한 GNN은 향상된 해석 가능성을 제공하여 수명 시간 예측 메커니즘을 더 잘 이해할 수 있도록 했습니다.
• 공개 및 실제 세계 데이터셋 모두에서 검증된 성능을 보이며, 효율적인 그래프 구축 및 학습을 지원합니다.