Beyond Atoms: Evaluating Electron Density Representation for 3D Molecular Learning
机器学习
2025-12-01 v1 生物大分子
摘要
3D 分子性质预测的机器学习模型通常依赖原子基表示，这可能会忽略细微的物理信息。电子密度图——即 X 射线晶体学和冷电子显微镜的直接输出——提供了连续且物理上依托的替代方案。我们比较了三种基于体素的输入类型用于 3D 卷积神经网络 (CNN)：原子类型、原始电子密度和密度梯度幅值，涵盖两种分子任务——蛋白-配体结合亲和力预测 (PDBbind) 和量子性质预测 (QM9)。我们关注基于体素的 CNN，因为电子密度本质上是体数据的，体素网格为实验和计算密度提供了最自然的表示。在 PDBbind 上，所有表示在充足数据下表现相似，但在数据不足时，密度基输入在原子类型输入方面表现更好，而一种基于形状的基线方法也表现相当——这表明空间占据率在该任务中占主导。在 QM9 上，标签来自密度泛函理论 (DFT) 但输入密度来自较低水平方法 (XTB)，密度基输入在大规模数据下仍优于原子基输入，这反映了密度中编码的丰富结构和电子信息。总体而言，这些结果凸显了密度派生输入在不同任务和场景中的优势，提高了亲和力预测的数据效率和量子性质建模的准确性。
引用
@article{arxiv.2511.21900,
title = {Beyond Atoms: Evaluating Electron Density Representation for 3D Molecular Learning},
author = {Patricia Suriana and Joshua A. Rackers and Ewa M. Nowara and Pedro O. Pinheiro and John M. Nicoloudis and Vishnu Sresht},
journal= {arXiv preprint arXiv:2511.21900},
year = {2025}
}