3DReact: Geometric deep learning for chemical reactions

要約

ニューラル ネットワーク アーキテクチャ内に関連する分子の対称性を組み込んだ幾何学的な深層学習モデルにより、分子特性の予測の精度とデータ効率が大幅に向上しました。
この成功に基づいて、反応物と生成物の 3 次元構造から反応特性を予測する幾何学的な深層学習モデル 3DReact を導入します。
既存の反応データセットにはモデルの不変バージョンで十分であることを示します。
さまざまな原子マッピング領域における GDB7-22-TS、Cyclo-23-TS、および Proparg-21-TS データセットの活性化障壁の予測における競合パフォーマンスを示します。
反応特性予測のための既存のモデルと比較して、3DReact は、原子マッピング情報 (利用可能な場合) および反応物と生成物の形状 (不変または等変様式で) を活用する柔軟なフレームワークを提供することを示します。
したがって、内挿タスクと外挿タスクの両方だけでなく、さまざまなデータセット、原子マッピング領域にわたって体系的に適切に実行されます。

要約(オリジナル)

Geometric deep learning models, which incorporate the relevant molecular symmetries within the neural network architecture, have considerably improved the accuracy and data efficiency of predictions of molecular properties. Building on this success, we introduce 3DReact, a geometric deep learning model to predict reaction properties from three-dimensional structures of reactants and products. We demonstrate that the invariant version of the model is sufficient for existing reaction datasets. We illustrate its competitive performance on the prediction of activation barriers on the GDB7-22-TS, Cyclo-23-TS and Proparg-21-TS datasets in different atom-mapping regimes. We show that, compared to existing models for reaction property prediction, 3DReact offers a flexible framework that exploits atom-mapping information, if available, as well as geometries of reactants and products (in an invariant or equivariant fashion). Accordingly, it performs systematically well across different datasets, atom-mapping regimes, as well as both interpolation and extrapolation tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google