[论文解读] 3DReact: Geometric Deep Learning for Chemical Reactions

Puck van Gerwen, Ksenia R. Briling+5 more|arXiv (Cornell University)|Dec 13, 2023

Machine Learning in Materials Science参考文献 93被引用 3

一句话总结

3DReact 是一种几何深度学习模型，通过整合三维分子几何结构和原子映射信息，预测化学反应性质——特别是活化能垒。它在多种数据集（GDB7-22-TS、Cyclo-23-TS、Proparg-21-TS）上实现了最先进性能，平均绝对误差（MAE ≤ 0.38 kcal/mol），在内插和外推任务中均表现出鲁棒性，同时支持不变和等变的消息传递机制。

ABSTRACT

Geometric deep learning models, which incorporate the relevant molecular symmetries within the neural network architecture, have considerably improved the accuracy and data efficiency of predictions of molecular properties. Building on this success, we introduce 3DReact, a geometric deep learning model to predict reaction properties from three-dimensional structures of reactants and products. We demonstrate that the invariant version of the model is sufficient for existing reaction datasets. We illustrate its competitive performance on the prediction of activation barriers on the GDB7-22-TS, Cyclo-23-TS and Proparg-21-TS datasets in different atom-mapping regimes. We show that, compared to existing models for reaction property prediction, 3DReact offers a flexible framework that exploits atom-mapping information, if available, as well as geometries of reactants and products (in an invariant or equivariant fashion). Accordingly, it performs systematically well across different datasets, atom-mapping regimes, as well as both interpolation and extrapolation tasks.

研究动机与目标

• 开发一个统一框架，整合三维分子几何结构和原子映射信息，以准确预测反应性质。
• 解决现有模型无法同时利用化学（原子映射）和物理（几何）先验信息进行反应性质预测的空白。
• 提升在不同反应类型和数据集上预测活化能垒时的数据效率和泛化能力。
• 在不同原子映射模式和内插、外推设置下评估模型性能。

提出的方法

• 3DReact 采用基于等变消息传递的几何深度学习架构，对原子的旋转、平移和排列变换保持不变。
• 模型以反应物和产物的三维坐标作为输入，利用具有等变卷积的图神经网络，以保持空间对称性。
• 支持不变和等变消息传递，实现对标量（如活化能）和矢量性质的灵活建模。
• 原子映射信息作为独立输入或代理输入，使模型在可用时可利用机理洞察。
• 模型通过在反应能垒数据集上使用平均绝对误差（MAE）损失进行端到端训练。
• 在不同配置下进行评估：是否显式包含氢原子，以及在多个原子映射模式（True、Implicit、None）下。

实验结果

研究问题

• RQ1 结合三维分子几何结构和原子映射信息的几何深度学习模型，是否能在预测反应活化能垒方面优于现有模型？
• RQ2 在不同数据集和映射模式下，原子映射数据的引入如何影响模型性能？
• RQ3 与不变模型相比，使用等变消息传递是否能提升反应性质预测中的泛化能力和数据效率？
• RQ4 3DReact 对结构变化的鲁棒性如何，包括反应物和产物几何结构的差异？
• RQ5 该模型在分布外反应（即外推）任务中的泛化能力如何？

主要发现

• 在 GDB7-22-TS 数据集上，3DReact 在 'True' 原子映射模式下的平均绝对误差（MAE）为 0.38 ± 0.07 kcal/mol，优于先前模型。
• 在 Cyclo-23-TS 数据集上，3DReact 在 'True' 映射模式下的 MAE 为 0.37 ± 0.05 kcal/mol，表明其在复杂成环反应中具有高精度。
• 无论原子映射模式如何，该模型在所有三个数据集上均保持优异性能（MAE ≤ 0.38 kcal/mol），表明其具有强鲁棒性。
• 在图中显式包含氢原子可提高 GDB7-22-TS 中各类反应的误差均匀性，尤其在 H–X 键形成/断裂反应中表现更优。
• 即使在使用较低质量的 GFN2-xTB 几何结构进行训练时，模型也未出现显著性能下降，表明其对几何噪声具有强鲁棒性。
• 与 SLATMd+KRR 相比，3DReact 显著降低了误差，尤其在对氢键和细微几何变化敏感的数据集中表现更优。