Neural Atoms: Propagating Long-range Interaction in Molecular Graphs through Efficient Communication Channel

要約

グラフ ニューラル ネットワーク (GNN) は、分子グラフを使用した創薬に広く採用されています。
それにもかかわらず、現在の GNN は主に短距離相互作用 (SRI) の利用に優れていますが、どちらも分子の特性を決定するために重要な長距離相互作用 (LRI) を捕捉するのに苦労しています。
この問題に取り組むために、分子の原子を暗黙的に射影することによって、原子グループの集合的な情報をいくつかの $\textit{Neural Atoms}$ に抽象化する方法を提案します。
具体的には、神経原子間で情報を明示的に交換し、それらの情報を強化として原子の表現に投影します。
このメカニズムにより、ニューラル アトムは遠く離れたノード間に通信チャネルを確立し、任意のノード ペアの相互作用範囲を効果的に単一ホップに縮小します。
物理的な観点から私たちの方法を検証するために、従来の LRI 計算方法である Ewald Summation との関係を明らかにします。
Neural Atom は、分子の潜在的な LRI を近似することにより、GNN を強化して LRI を捕捉できます。
私たちは、分子グラフ上のグラフレベルおよびリンクレベルのタスクをカバーする、4 つの長期グラフベンチマークで広範な実験を実施しています。
2D シナリオと 3D シナリオではそれぞれ最大 27.32% と 38.27% の改善を達成しました。
経験的に、私たちの方法には、LRI の捕捉を支援する任意の GNN を装備できます。
コードとデータセットは https://github.com/tmlr-group/NeuralAtom で公開されています。

要約(オリジナル)

Graph Neural Networks (GNNs) have been widely adopted for drug discovery with molecular graphs. Nevertheless, current GNNs mainly excel in leveraging short-range interactions (SRI) but struggle to capture long-range interactions (LRI), both of which are crucial for determining molecular properties. To tackle this issue, we propose a method to abstract the collective information of atomic groups into a few $\textit{Neural Atoms}$ by implicitly projecting the atoms of a molecular. Specifically, we explicitly exchange the information among neural atoms and project them back to the atoms’ representations as an enhancement. With this mechanism, neural atoms establish the communication channels among distant nodes, effectively reducing the interaction scope of arbitrary node pairs into a single hop. To provide an inspection of our method from a physical perspective, we reveal its connection to the traditional LRI calculation method, Ewald Summation. The Neural Atom can enhance GNNs to capture LRI by approximating the potential LRI of the molecular. We conduct extensive experiments on four long-range graph benchmarks, covering graph-level and link-level tasks on molecular graphs. We achieve up to a 27.32% and 38.27% improvement in the 2D and 3D scenarios, respectively. Empirically, our method can be equipped with an arbitrary GNN to help capture LRI. Code and datasets are publicly available in https://github.com/tmlr-group/NeuralAtom.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google