Geometry-Complete Perceptron Networks for 3D Molecular Graphs

要約

【タイトル】
3D分子グラフ向け幾何完全パーセプトロンネットワーク

【要約】
– 幾何深層学習は、革新的かつ強力なグラフニューラルネットワークアーキテクチャの開発に大きな影響を与えた。
– コンピュータビジョンと計算生物学などの分野は、このような方法論の進歩から大きな恩恵を受け、タンパク質構造予測や設計など、科学ドメインの突破口を導いた。
– この研究では、3D分子グラフ表現の学習に設計された、新しい幾何完全でSE(3)-等値性を持つグラフニューラルネットワークであるGCPNetを紹介する。
– 4つの異なる幾何学的タスクに対する厳密な実験により、GCPNetの予測が、(1) タンパク質-リガンド結合親和性について、現在の最先端手法より5%以上高い0.608の統計的相関を達成したこと、(2) タンパク質構造ランキングについて、0.616の統計的相関と0.871のターゲットローカル及びデータセットグローバル相関が統計的に有意であること、(3) ニュートン力学多体系モデリングについて、現在の手法より15％以上優れたタスク平均二乗誤差が0.01未満であること、(4) 分子キラリティ認識について、最新の機械学習手法よりも優れた98.7％の予測精度を達成したことが示されている。
– ソースコード、データ、新しいモデルのトレーニング方法、または結果の再現の手順は、https://github.com/BioinfoMachineLearning/GCPNetで自由に利用可能である。

要約(オリジナル)

The field of geometric deep learning has had a profound impact on the development of innovative and powerful graph neural network architectures. Disciplines such as computer vision and computational biology have benefited significantly from such methodological advances, which has led to breakthroughs in scientific domains such as protein structure prediction and design. In this work, we introduce GCPNet, a new geometry-complete, SE(3)-equivariant graph neural network designed for 3D molecular graph representation learning. Rigorous experiments across four distinct geometric tasks demonstrate that GCPNet’s predictions (1) for protein-ligand binding affinity achieve a statistically significant correlation of 0.608, more than 5% greater than current state-of-the-art methods; (2) for protein structure ranking achieve statistically significant target-local and dataset-global correlations of 0.616 and 0.871, respectively; (3) for Newtownian many-body systems modeling achieve a task-averaged mean squared error less than 0.01, more than 15% better than current methods; and (4) for molecular chirality recognition achieve a state-of-the-art prediction accuracy of 98.7%, better than any other machine learning method to date. The source code, data, and instructions to train new models or reproduce our results are freely available at https://github.com/BioinfoMachineLearning/GCPNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI