[论文解读] Molecular Mechanics-Driven Graph Neural Network with Multiplex Graph for Molecular Structures

Shuo Zhang, Yang Liu+1 more|arXiv (Cornell University)|Nov 15, 2020

Machine Learning in Materials Science参考文献 17被引用 51

一句话总结

MXMNet 引入一个两层多路复用图来建模局部共价和全局非共价相互作用，配备专门的 MXM 模块以实现高效信息传递，在资源受限的情况下在 QM9 和 PDBBind 上达到最新研究结果。

ABSTRACT

The prediction of physicochemical properties from molecular structures is a crucial task for artificial intelligence aided molecular design. A growing number of Graph Neural Networks (GNNs) have been proposed to address this challenge. These models improve their expressive power by incorporating auxiliary information in molecules while inevitably increase their computational complexity. In this work, we aim to design a GNN which is both powerful and efficient for molecule structures. To achieve such goal, we propose a molecular mechanics-driven approach by first representing each molecule as a two-layer multiplex graph, where one layer contains only local connections that mainly capture the covalent interactions and another layer contains global connections that can simulate non-covalent interactions. Then for each layer, a corresponding message passing module is proposed to balance the trade-off of expression power and computational complexity. Based on these two modules, we build Multiplex Molecular Graph Neural Network (MXMNet). When validated by the QM9 dataset for small molecules and PDBBind dataset for large protein-ligand complexes, MXMNet achieves superior results to the existing state-of-the-art models under restricted resources.

研究动机与目标

• 在有限资源下推动基于分子结构的物理化学性质的高效且强大的预测。
• 将每个分子表示为两层多路复用图，以分离局部共价和全球非共价相互作用。
• 开发针对局部和全局层定制的消息传递模块，以平衡表达能力与效率。
• 证明 MXMNet 在基准数据集（QM9 和 PDBBind）上实现了更高的准确性和内存效率。

提出的方法

• 构建两层多路复用图 G = {Gl, Gg}，其中 Gl 编码局部共价相互作用，Gg 编码全局非共价相互作用。
• 设计 Multiplex Molecular (MXM) 模块，具备分离的全局层和局部层消息传递以分别处理 Gg 和 Gl。
• 实现跨层映射 f_cross，以在层之间交换信息并对齐 Gl 和 Gg 的节点嵌入。
• 使用原子特征的嵌入模块，以及来自三维坐标的 RBF/SBF 基函数来形成边和角度表示。
• 将 MXM 模块堆叠到 MXMNet 架构中，并汇聚来自所有节点和所有层的输出以进行最终性质预测。

实验结果

研究问题

• RQ1 是否可以用将局部和全局相互作用分离的两层多路复用图有效建模分子？
• RQ2 与信息丰富的角信息GNN相比，层特定的消息传递模块是否在提高预测准确性的同时减少内存使用？
• RQ3 跨层映射对局部层与全局层之间信息整合的影响是什么？
• RQ4 在 QM9 和 PDBBind 数据集上，MXMNet 在预测准确性和效率方面的表现如何？

主要发现

• MXMNet 在 QM9 的 9 个目标上优于基线模型。
• 更大的批量大小（BS=128）相比较小的批次在训练速度和性能上有提升。
• MXMNet 展示出显著低于 DimeNet 的内存消耗，同时实现具有竞争力甚至更好的 MAE。
• 在 PDBBind 上，MXMNet 获得更高的 Pearson R（0.664）和更低的 MAE（1.733），优于 SchNet 和 PhysNet，DimeNet 未报告因内存问题。
• 消融研究表明局部和全局 MXM 模块对于达到最佳性能都是必需的；仅使用一个模块会降低结果。
• 当交互截断距离增大、分子增大时，模型的效率优势进一步增强。