[论文解读] Predicting Aqueous Solubility of Organic Molecules Using Deep Learning Models with Varied Molecular Representations

Gihan Panapitiya, Michaël J. A. Girard+4 more|arXiv (Cornell University)|May 26, 2021

Computational Drug Discovery Methods参考文献 52被引用 5

一句话总结

本研究开发了深度学习模型，利用多种分子表征方式——分子描述符、SMILES、分子图和三维坐标——在四种神经网络架构中预测有机分子的水溶性。基于分子描述符的模型达到了最高的准确性，而图神经网络（GNNs）在未使用三维数据的情况下也表现出色，表明其在捕捉相关拓扑特征方面的有效性；而SchNet由于训练数据有限和计算资源受限，表现欠佳。

ABSTRACT

Determining the aqueous solubility of molecules is a vital step in many pharmaceutical, environmental, and energy storage applications. Despite efforts made over decades, there are still challenges associated with developing a solubility prediction model with satisfactory accuracy for many of these applications. The goal of this study is to develop a general model capable of predicting the solubility of a broad range of organic molecules. Using the largest currently available solubility dataset, we implement deep learning-based models to predict solubility from molecular structure and explore several different molecular representations including molecular descriptors, simplified molecular-input line-entry system (SMILES) strings, molecular graphs, and three-dimensional (3D) atomic coordinates using four different neural network architectures - fully connected neural networks (FCNNs), recurrent neural networks (RNNs), graph neural networks (GNNs), and SchNet. We find that models using molecular descriptors achieve the best performance, with GNN models also achieving good performance. We perform extensive error analysis to understand the molecular properties that influence model performance, perform feature analysis to understand which information about molecular structure is most valuable for prediction, and perform a transfer learning and data size study to understand the impact of data availability on model performance.

研究动机与目标

• 开发一种通用的深度学习模型，用于预测广泛范围有机分子的水溶性。
• 评估不同分子表征方式（描述符、SMILES、分子图和三维坐标）对水溶性预测精度的影响。
• 评估四种神经网络架构（全连接网络、RNN、GNN 和 SchNet）的性能。
• 识别影响模型预测误差的分子性质和结构特征。
• 研究数据量和迁移学习对模型泛化能力和性能的影响。

提出的方法

• 在现有最大的水溶性数据集上训练深度学习模型，基于分子结构预测 pKsp 值。
• 采用四种分子表征方式：分子描述符、SMILES 字符串、分子图和三维原子坐标。
• 应用四种神经网络架构：全连接神经网络（FCNNs）、循环神经网络（RNNs）、图神经网络（GNNs）和 SchNet。
• 通过基于溶解度区间分层的数据划分和超参数调优，确保训练与评估的平衡。
• 进行误差分析，识别系统性预测失败的原因；并进行特征重要性分析，评估哪些结构特征驱动预测结果。
• 开展迁移学习和数据量消融研究，评估模型的鲁棒性与数据效率。

实验结果

研究问题

• RQ1 在多种有机分子中，哪种分子表征方式能实现最准确的水溶性预测？
• RQ2 当使用相同的输入表征时，不同深度学习架构（FCNN、RNN、GNN、SchNet）的性能如何比较？
• RQ3 引入分子三维几何结构在多大程度上能提升水溶性预测的准确性？
• RQ4 哪些分子性质或结构特征会导致水溶性模型的预测误差升高？
• RQ5 模型性能如何随训练数据量增加而变化？在低数据量的水溶性场景中，迁移学习能否提升性能？

主要发现

• 基于分子描述符的模型达到了最高的预测精度，优于所有其他表征方式和架构。
• 图神经网络（GNNs）在未使用三维结构信息的情况下仍表现出强劲性能，表明其在捕捉相关拓扑特征方面的有效性。
• SchNet（专为三维几何设计）表现显著欠佳，可能归因于训练数据不足和计算资源受限。
• 模型在复杂分子、同分异构体以及功能团位置微小变化的分子上表现出更高的误差率。
• 在外部数据集上进行预训练可提升使用原始输入的模型性能，表明若采用更大规模的预训练数据，仍有进一步提升空间。
• 各模型之间的误差模式高度相关，表明它们共享了相似的结构-性质关系学习；且在训练数据较多的溶解度区间，误差更低。