[论文解读] A Hypergraph Convolutional Neural Network for Molecular Properties Prediction using Functional Group.

Fangying Chen, Junyoung Park+1 more|arXiv (Cornell University)|Jun 2, 2021

Computational Drug Discovery Methods参考文献 10被引用 4

一句话总结

该论文提出MolHGCN，一种超图卷积网络，通过整合原子和功能团信息以提升分子性质预测性能。通过使用超图建模多节点相互作用，并采用两阶段消息传递机制，MolHGCN在多个基准数据集上优于基线方法，尤其得益于功能团整合带来的潜在空间可分性增强。

ABSTRACT

We propose a Molecular Hypergraph Convolutional Network (MolHGCN) that predicts the molecular properties of a molecule using the atom and functional group information as inputs. Molecules can contain many types of functional groups, which will affect the properties the molecules. For example, the toxicity of a molecule is associated with toxicophores, such as nitroaromatic groups and thiourea. Conventional graph-based methods that consider the pair-wise interactions between nodes are inefficient in expressing the complex relationship between multiple nodes in a graph flexibly, and applying multi-hops may result in oversmoothing and overfitting problems. Hence, we propose MolHGCN to capture the substructural difference between molecules using the atom and functional group information. MolHGCN constructs a hypergraph representation of a molecule using functional group information from the input SMILES strings, extracts hidden representation using a two-stage message passing process (atom and functional group message passing), and predicts the properties of the molecules using the extracted hidden representation. We evaluate the performance of our model using Tox21, ClinTox, SIDER, BBBP, BACE, ESOL, FreeSolv and Lipophilicity datasets. We show that our model is able to outperform other baseline methods for most of the datasets. We particularly show that incorporating functional group information along with atom information results in better separability in the latent space, thus increasing the prediction accuracy of the molecule property prediction.

研究动机与目标

• 为解决传统图神经网络模型在捕捉分子中复杂多节点相互作用方面的局限性。
• 通过结合原子结构与功能团信息，提升分子性质预测性能。
• 缓解多跳图神经网络中常见的过度平滑和过拟合问题。
• 通过在超图上进行两阶段消息传递过程，增强特征表示学习。
• 证明功能团感知表示可提升潜在空间中的可分性。

提出的方法

• 利用从SMILES字符串中提取的功能团信息，构建分子的超图表示。
• 采用两阶段消息传递机制：首先在原子层面，然后在功能团层面。
• 使用超图卷积同时聚合原子与功能团之间的消息。
• 将原子和功能团特征整合到统一的隐藏表示中，用于性质预测。
• 应用最终的读出层，基于聚合表示预测分子性质。
• 使用标准反向传播进行端到端训练，损失函数根据任务类型选择均方误差或二元交叉熵损失。

实验结果

研究问题

• RQ1 与标准图卷积相比，超图卷积是否能更有效地建模分子图中的多节点相互作用？
• RQ2 整合功能团信息是否能提升分子性质预测模型的预测性能？
• RQ3 两阶段消息传递机制如何影响潜在空间中的表示学习？
• RQ4 功能团整合在多大程度上增强了学习表示中的特征可分性？
• RQ5 MolHGCN在多样化的分子性质预测任务中是否具有良好的泛化能力？

主要发现

• MolHGCN在大多数评估数据集上优于现有基线模型，包括Tox21、BACE和BBBP。
• 功能团信息的整合显著提升了潜在空间的可分性，从而改善了模型泛化能力。
• 两阶段消息传递过程有效捕捉了分子之间的亚结构差异。
• 该模型缓解了多跳图神经网络中常见的过度平滑和过拟合问题。
• 功能团感知表示显著提升了预测准确性，尤其在毒性相关性质预测中表现突出。
• 基于超图的方法为建模原子与功能团之间的复杂相互作用提供了更具灵活性和表达力的途径。