CTAGE: Curvature-Based Topology-Aware Graph Embedding for Learning Molecular Representations

要約

AI を活用した医薬品設計は、複雑なタスクである分子特性の予測に大きく依存しています。
現在のアプローチでは、ディープ ニューラル ネットワーク モデルのトレーニングに最も一般的に使用される特徴表現は、SMILES と分子グラフに基づいています。
これらの方法は簡潔で効率的ですが、複雑な空間情報を取得するには限界があります。
最近、研究者は分子構造の三次元情報をモデルに組み込むことの重要性を認識しています。
ただし、空間情報を取得するには、ジェネレーターに追加のユニットを導入する必要があり、追加の設計コストと計算コストがかかります。
したがって、グラフニューラルネットワークの単純さと効率を維持しながら、空間構造情報を効果的に組み合わせる分子特性を予測する方法を開発する必要がある。
この研究では、$k$ホップ離散リッチ曲率を利用して分子グラフデータから構造的洞察を抽出する埋め込みアプローチCTAGEを提案します。
これにより、ネットワークのトレーニングの複雑さを維持しながら、空間構造情報が効果的に統合されます。
実験結果は、ノード曲率の導入により現在のグラフ ニューラル ネットワーク フレームワークのパフォーマンスが大幅に向上することを示し、k ホップ ノード曲率からの情報が分子構造と機能の関係を効果的に反映していることを検証しました。

要約(オリジナル)

AI-driven drug design relies significantly on predicting molecular properties, which is a complex task. In current approaches, the most commonly used feature representations for training deep neural network models are based on SMILES and molecular graphs. While these methods are concise and efficient, they have limitations in capturing complex spatial information. Recently, researchers have recognized the importance of incorporating three-dimensional information of molecular structures into models. However, capturing spatial information requires the introduction of additional units in the generator, bringing additional design and computational costs. Therefore, it is necessary to develop a method for predicting molecular properties that effectively combines spatial structural information while maintaining the simplicity and efficiency of graph neural networks. In this work, we propose an embedding approach CTAGE, utilizing $k$-hop discrete Ricci curvature to extract structural insights from molecular graph data. This effectively integrates spatial structural information while preserving the training complexity of the network. Experimental results indicate that introducing node curvature significantly improves the performance of current graph neural network frameworks, validating that the information from k-hop node curvature effectively reflects the relationship between molecular structure and function.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google