3D Infomax 改进用于分子性质预测的 GNNs
机器学习
2022-06-07 v4 人工智能
生物大分子
摘要
分子性质预测是深度学习增长最快的应用之一，具有关键的实际影响。将 3D 分子结构作为学习模型的输入，可改善其在许多分子任务上的表现。然而，对于若干实际应用场景所需的规模，该信息难以计算。我们提出预训练一个模型，使其仅依据 2D 分子图即可推断分子的几何结构。利用自监督学习的方法，我们最大化 3D 摘要向量与图神经网络（GNN）表示之间的互信息，使其包含潜在的 3D 信息。在对几何未知的分子进行微调时，GNN 仍生成隐式 3D 信息并可用于改进下游任务。我们表明，3D 预训练为广泛的性质带来了显著提升，例如在八个量子力学性质上平均绝对误差（MAE）降低 22%。此外，所学表示可有效迁移至不同分子空间的数据集之间。
引用
@article{arxiv.2110.04126,
title = {3D Infomax improves GNNs for Molecular Property Prediction},
author = {Hannes Stärk and Dominique Beaini and Gabriele Corso and Prudencio Tossou and Christian Dallago and Stephan Günnemann and Pietro Liò},
journal= {arXiv preprint arXiv:2110.04126},
year = {2022}
}
备注
39th International Conference on Machine Learning (ICML 2022). Also accepted at NeurIPS 2021 ML4PH, AI4S, and SSL workshops and as oral at ELLIS ML4Molecules. 24 pages, 7 figures, 18 tables