用于学习分子性质的对齐流形性质与拓扑点云

用于分子性质预测的机器学习模型通常依赖于诸如 SMILES 字符串和分子图等表示形式，这些表示忽略了驱动分子间行为的表面局域现象。基于 3D 的方法通常会丢失表面细节，或需要计算成本高昂的 SE(3)-等变架构来处理空间方差。为了克服这些局限性，本工作引入了 AMPTCR（对齐流形性质与拓扑点云表示），这是一种分子表面表示，它在对齐点云格式中结合了局部量子导出的标量场和自定义拓扑描述符。每个表面点包含一个具有化学意义的标量、测地导出的拓扑向量，以及转换到规范参考系中的坐标，从而能够使用传统的 SE(3) 敏感架构进行高效学习。AMPTCR 在 DGCNN 框架下针对两个任务进行了评估：分子量和细菌生长抑制。对于分子量任务，结果证实 AMPTCR 编码了具有物理意义的数据，验证集 $R^2$ 为 0.87。在细菌抑制任务中，AMPTCR 使用 Dual Fukui 函数作为电子描述符，并使用 Morgan Fingerprints 作为辅助数据，实现了对大肠杆菌抑制值的分类和直接回归，在分类任务中达到 0.912 的 ROC AUC，在回归任务中达到 0.54 的 $R^2$。这些结果有助于证明 AMPTCR 为建模表面介导的分子性质提供了一种紧凑、富有表现力且与架构无关的表示。