[论文解读] Molecule3D: A Benchmark for Predicting 3D Geometries from Molecular Graphs

Xu Zhao, Youzhi Luo+8 more|arXiv (Cornell University)|Sep 30, 2021

Machine Learning in Materials Science参考文献 54被引用 6

一句话总结

本文提出了 Molecule3D，这是首个利用机器学习从分子图预测基态3D分子几何结构的基准。该研究构建了一个包含390万种分子的数据库，其3D结构由DFT计算得出，提出了两种基于图神经网络（GNN）的基线模型（分别预测原子间距离或原子坐标），并证明其方法在推理速度上比RDKit的ETKDG快7倍，同时保持了相当的精度，从而实现了高效的下游性质预测。

ABSTRACT

Graph neural networks are emerging as promising methods for modeling molecular graphs, in which nodes and edges correspond to atoms and chemical bonds, respectively. Recent studies show that when 3D molecular geometries, such as bond lengths and angles, are available, molecular property prediction tasks can be made more accurate. However, computing of 3D molecular geometries requires quantum calculations that are computationally prohibitive. For example, accurate calculation of 3D geometries of a small molecule requires hours of computing time using density functional theory (DFT). Here, we propose to predict the ground-state 3D geometries from molecular graphs using machine learning methods. To make this feasible, we develop a benchmark, known as Molecule3D, that includes a dataset with precise ground-state geometries of approximately 4 million molecules derived from DFT. We also provide a set of software tools for data processing, splitting, training, and evaluation, etc. Specifically, we propose to assess the error and validity of predicted geometries using four metrics. We implement two baseline methods that either predict the pairwise distance between atoms or atom coordinates in 3D space. Experimental results show that, compared with generating 3D geometries with RDKit, our method can achieve comparable prediction accuracy but with much smaller computational costs. Our Molecule3D is available as a module of the MoleculeX software library (https://github.com/divelab/MoleculeX).

研究动机与目标

• 为解决通过DFT获得基态3D分子几何结构的高计算成本问题，该过程每种分子可能需要数小时。
• 实现基于机器学习从分子图系统研究3D几何结构预测。
• 开发一个标准化基准，包含大规模、高精度的数据集和评估协议。
• 证明预测的3D几何结构可提升下游分子性质预测任务的性能。
• 提供开源软件工具，用于MoleculeX库中的数据处理、训练和评估。

提出的方法

• 从PubChemQC中整理出390万种分子的数据集，筛选出高质量的DFT优化3D几何结构。
• 设计了四项评估指标——平均绝对误差（MAE）、均方根偏差（RMSD）、键角误差和二面角误差，用于评估几何结构预测的准确性。
• 实现了两种基线模型：一种预测原子间成对距离，另一种使用DeeperGCN-DAGNN架构预测3D坐标。
• 利用3D图神经网络基于预测的3D几何结构预测量子性质（如HOMO-LUMO能隙）。
• 采用随机划分和骨架划分两种方式分割数据集，以评估模型的泛化能力和鲁棒性。
• 使用预测值与真实值之间量子性质的平均绝对误差（MAE）来评估性能。

实验结果

研究问题

• RQ1 机器学习模型能否以显著低于DFT的计算成本，从分子图中准确预测3D分子几何结构？
• RQ2 与RDKit的ETKDG生成的几何结构相比，预测的3D几何结构在结构精度和下游任务性能方面表现如何？
• RQ3 预测的3D几何结构在多大程度上能提升下游分子性质预测任务（如HOMO-LUMO能隙估算）的准确性？
• RQ4 除了简单的坐标误差外，哪些指标最能反映预测3D分子几何结构的真实性？
• RQ5 所提出的基准和软件工具能否实现3D分子几何结构预测研究的可复现性和可扩展性？

主要发现

• 所提出的基于GNN的方法在3D几何结构预测精度上与RDKit的ETKDG方法相当，但推理时间快7倍。
• 使用预测的3D几何结构相比仅使用分子图，显著提升了下游HOMO-LUMO能隙预测的性能，尤其在随机划分下表现更优。
• 表现最佳的基线模型（成对距离预测）在随机划分上的验证MAE为0.1796，优于仅使用分子图输入的模型（MAE为0.2066）。
• 使用真实3D几何结构输入在随机划分上的MAE最低，仅为0.0833，证实了高精度3D结构的价值。
• 在骨架划分上性能显著下降，表明模型在未见过的分子骨架上泛化能力仍面临重大挑战。
• 预测几何结构与真实几何结构在下游任务中的性能差距表明，几何结构预测模型仍有巨大改进空间。