[论文解读] ChiENN: Embracing Molecular Chirality with Graph Neural Networks

Piotr Gaiński, Michał Koziarski+2 more|arXiv (Cornell University)|Jul 5, 2023

Computational Drug Discovery Methods被引用 4

一句话总结

本文提出ChiENN，一种新型图神经网络层，通过使消息传递对邻近原子的空间顺序敏感，使GNN能够区分分子手性。通过重新定义消息聚合以尊重邻居方向，ChiENN在手性敏感的分子性质预测任务中优于最先进方法，在R/S、对映体排序和结合亲和力基准测试中达到SOTA性能。

ABSTRACT

Graph Neural Networks (GNNs) play a fundamental role in many deep learning problems, in particular in cheminformatics. However, typical GNNs cannot capture the concept of chirality, which means they do not distinguish between the 3D graph of a chemical compound and its mirror image (enantiomer). The ability to distinguish between enantiomers is important especially in drug discovery because enantiomers can have very distinct biochemical properties. In this paper, we propose a theoretically justified message-passing scheme, which makes GNNs sensitive to the order of node neighbors. We apply that general concept in the context of molecular chirality to construct Chiral Edge Neural Network (ChiENN) layer which can be appended to any GNN model to enable chirality-awareness. Our experiments show that adding ChiENN layers to a GNN outperforms current state-of-the-art methods in chiral-sensitive molecular property prediction tasks.

研究动机与目标

• 解决标准GNN因消息传递具有置换不变性而导致无法区分分子对映体的局限性。
• 开发一种理论基础扎实、通用的消息传递方案，对节点邻居的空间顺序敏感，以捕捉手性。
• 构建一个即插即用的GNN层（ChiENN），使现有分子GNN架构具备手性感知能力，而无需进行领域特定的修改。
• 证明ChiENN相较于现有方法在手性敏感的分子性质预测任务中显著提升性能。
• 在多种基准上验证该方法，包括R/S分类、对映体排序、结合亲和力和毒性预测，以展示其鲁棒性和泛化能力。

提出的方法

• 提出一种通用的顺序敏感消息传递框架，其中消息根据邻近节点的循环顺序进行聚合，打破置换不变性。
• 引入一种k元消息聚合函数，通过固定顺序表示编码邻居的相对方向，实现手性检测。
• 设计ChiENN层为可微、可学习的模块，可替代GNN中的标准消息传递层，保持架构兼容性。
• 应用边图变换将分子图表示为带方向的边，编码邻居顺序，实现方向感知的聚合。
• 利用几何信息（3D坐标）计算每个原子周围邻居的循环顺序，确保手性表示的空间一致性。
• 使用标准GNN损失函数端到端训练模型，将ChiENN层集成到GPS或GCN等现有架构中。

Figure 1: An example of a chiral molecule (left) and its mirror image (right).

实验结果

研究问题

• RQ1 能否设计一种消息传递方案，使GNN对节点邻居的空间顺序敏感，从而实现手性检测？
• RQ2 所提出的顺序敏感聚合与依赖手性标签或二面角的现有方法相比，在分子性质预测中的表现如何？
• RQ3 将ChiENN集成到现有GNN模型中，相较于最先进方法，在手性敏感任务上的性能提升程度如何？
• RQ4 ChiENN层是否在多种分子性质预测任务中具有泛化能力，包括手性效应微弱或不明确的任务？
• RQ5 在捕捉手性信息时，消息聚合函数的最优k值是多少，以避免过拟合或性能下降？

主要发现

• ChiENN在R/S分类任务中达到98.9%的准确率，显著优于基线GPS模型（50.0%）及其他变体。
• 在对映体排序任务中，ChiENN准确率达到76.0%，优于基线GPS（0.0%）和仅使用手性标签的基线（66.9%）。
• 在结合亲和力预测中，ChiENN将MAE降低至0.258，而基线GPS为0.330，表明回归性能有所提升。
• 在BACE数据集中，GPS+ChiENN配置的AUC达到0.839，优于基线GPS（0.841）及其他配置，显示出一致的性能改进。
• 消融实验表明，仅使用ChiENN层的表现优于手性标签方法，而将其与边图变换结合可获得最佳整体性能。
• 消息函数的k=3配置在所有任务中表现最佳，而k=2在BACE任务中性能显著下降，因此k=3被认定为最优。

Figure 2: An illustration of a road map (left) and its mirror image (right). We see that the maps share the same connectivity between cities, however, to get from city $A$ to city $B$ one has to take the second exit on a roundabout $D$ for the left map, and the first exit for the right map.