利用图卷积神经网络发现分子官能团
机器学习
2019-10-11 v3 机器学习
摘要
官能团(FGs)是分子子结构,用作分析和预测分子化学属性的基础。自动发现 FGs 将影响包括药物化学和材料科学在内的多个研究领域,减少发现或合成新分子所需的实验量。本文研究基于图卷积神经网络(GCNNs)的方法,用于定位对特定关注化学属性有贡献的 FGs。在我们的框架中,分子被建模为无向关系图,原子为节点、化学键为边。利用该关系图结构,我们在实验验证的分子训练集上以监督方式训练 GCNNs 预测特定化学属性,例如毒性。学习到 GCNN 后,我们分析其激活模式,使用我们开发的四种可解释性方法自动识别 FGs:基于梯度的显著图、类激活映射(CAM)、梯度加权类激活映射(Grad-CAM)和激励反向传播。尽管这些方法最初为卷积神经网络(CNNs)导出,我们对其调整以开发相应的适用于 GCNNs 的版本。我们针对所识别分子子结构的特异性及其对化学功能的关联性,评估了这些方法的对比能力。Grad-CAM 具有最高的对比能力并定性地生成了最佳的 FGs。本工作为新分子的自动分析与设计铺平了道路。
引用
@article{arxiv.1812.00265,
title = {Discovering Molecular Functional Groups Using Graph Convolutional Neural Networks},
author = {Phillip Pope and Soheil Kolouri and Mohammad Rostrami and Charles Martin and Heiko Hoffmann},
journal= {arXiv preprint arXiv:1812.00265},
year = {2019}
}