用于分子性质预测等变图注意力网络
机器学习
2022-03-03 v2 生物大分子
摘要
学习并推理尺寸可变的3D分子结构是机器学习尤其是药物发现中一个新兴且重要的挑战。等变图神经网络（GNN）能够同时利用问题领域的几何与关系细节，并且已知其通过在节点间传播信息来学习具有表现力的表示，利用高阶表示忠实表达数据的几何结构（如其中间层中的方向性）。在本工作中，我们提出了一种使用笛卡尔坐标以纳入方向性的等变GNN，并实现了一种新颖的注意力机制，在节点间传播信息时充当内容与空间相关的滤波器。我们在预测小分子量子力学性质上展示了我们架构的有效性，以及其在涉及蛋白质复合物等大分子结构问题上的益处。
引用
@article{arxiv.2202.09891,
title = {Equivariant Graph Attention Networks for Molecular Property Prediction},
author = {Tuan Le and Frank Noé and Djork-Arné Clevert},
journal= {arXiv preprint arXiv:2202.09891},
year = {2022}
}
备注
Preliminary work, 13 pages, 1 figure, appendix included. v2: re-run experiments for QM9 on random splits