[論文レビュー] Graph Nets for Partial Charge Prediction

Yuanqing Wang, Josh Fass+3 more|arXiv (Cornell University)|Sep 17, 2019

Machine Learning in Materials Science参考文献 13被引用数 16

ひとこと要約

本稿では、DFTで得られた電荷を用いて微分可能で置換不変性を持つグラフニューラルネットワークアーキテクチャを学習させることで、分子内の部分電荷を正確かつ高速に予測するためのGraph Netsを提案する。モデルは、DFT基準値と比較してRMSEが0.0223 eに達し、従来の手法と比較して500倍以上の高速化を実現しながら、分子サイズにかかわらず精度を維持し、二次計画法を用いて全電荷保存を強制する。

ABSTRACT

Atomic partial charges are crucial parameters for Molecular Dynamics (MD) simulations, molecular mechanics calculations, and virtual screening, as they determine the electrostatic contributions to interaction energies. Current methods for calculating partial charges, however, are either slow and scale poorly with molecular size (quantum chemical methods) or unreliable (empirical methods). Here, we present a new charge derivation method based on Graph Nets---a set of update and aggregate functions that operate on molecular topologies and propagate information thereon---that could approximate charges derived from Density Functional Theory (DFT) calculations with high accuracy and an over 500-fold speed up.

研究の動機と目的

• 小規模な有機分子における原子部分電荷を予測する高速で正確な手法を開発し、遅い量子化学的手法や信頼性の低い経験的手法に取って代わること。
• 分子グラフ学習における各原子回帰タスクに向けたスケーラブルで微分可能なモデルの不足を解消すること。
• 予測された部分電荷の総和が分子の全電荷に一致することを保証することで、物理的整合性を確保すること。
• 微分可能でエンドツーエンドでトレーニング可能なアーキテクチャを提供することで、力場最適化パイプラインへの統合を可能にすること。
• システムサイズに依存しない予測精度を維持しながら、大規模な分子データセットへスケーリングすること。

提案手法

• ノード、エッジ、グローバル属性に作用する学習可能な更新関数と集約関数を備えたフルブロックGraph Netアーキテクチャを採用する。
• ノード特徴量は、原子種のワンホットエンコーディングから初期化され、順方向ネットワークを経て初期ノード埋め込みが生成される。
• エッジ特徴量は、共鳴構造の平均をとったボンドオーダーから初期化され、別個の順方向ネットワークを経由する。
• 最終的な電荷予測を、分子の全電荷に一致させる制約を課す、取り扱いやすい二次計画問題として定式化することで、全電荷保存を強制する。
• ChEMBLから抽出した350,259個の分子データセットを用い、DFTで得られた電荷をターゲットに、ε=4の誘電率を仮定してバックプロパゲーションによる学習を実施する。
• TensorFlow 2.0を用いて実装され、分散並列推論をサポートしており、コードはMITライセンスでオープンソース化されている。

実験結果

リサーチクエスチョン

• RQ1 微分可能でグラフベースの深層学習モデルは、量子化学的手法よりも著しく高速である一方で、DFTレベルの精度を達成できるか？
• RQ2 分子サイズの増加に伴い、モデルの性能（特に予測誤差）はどのように変化するか？
• RQ3 グラフニューラルネットワークアーキテクチャは、微分可能かつスケーラブルな方法で全電荷保存を強制できるか？
• RQ4 ルールベースのフィンガープrintを用いず、多様な元素（特に重い原子やハロゲン原子）にわたって一般化性能を示せるか？
• RQ5 微分可能でエンドツーエンドでトレーニング可能な特性を有するため、力場最適化パイプラインに統合可能か？

主な発見

• ホールドアウトテストセット（299,811原子）において、全体のRMSEは0.0223 eに達し、95%信頼区間は[0.0221, 0.0225] eである。
• 水素原子ではR²が0.9744、RMSEが0.0144 eに達し、この一般的な要素に対して高い精度を示している。
• 分子サイズにかかわらず一貫した性能を維持しており、63原子までの大きな系に対しても誤差の著しい増加は観察されない。
• ランダムフォレストベースライン（Bleizifferら）を上回る精度と微分可能性を達成し、力場パラメータとの共同最適化が可能になった。
• AM1-BCCと比較して約500倍高速であり、1分子あたりの推論時間が約0.03秒であるため、高スループットなバーチャルスクリーニングが可能になった。
• 炭素（R²=0.9932、RMSE=0.0217 e）および硫黄（R²=0.9935、RMSE=0.0524 e）において優れた性能を示したが、ヨウ素（R²=0.2819、RMSE=0.1948 e）では性能が低下しており、主にトレーニングデータの不足が原因とされる。