用于分子性质预测的门控图递归神经网络
机器学习
2019-11-26 v2 生物大分子
机器学习
摘要
分子性质预测是计算机辅助药物发现和材料科学中的一个基本问题。密度泛函理论(DFT)等量子化学模拟已被广泛用于计算分子性质，然而，由于计算代价沉重，难以搜索大量潜在化合物。用于分子建模的机器学习方法是颇具吸引力的替代方案，但是，开发用于学习分子表示的具有表达力、准确性和可扩展性的图神经网络仍然具有挑战性。在这项工作中，我们提出了一种简单而强大的用于分子性质预测的图神经网络。我们将分子建模为具有空间位置的原子所构成的有向完全图，并引入带有简单门控函数的递归神经网络。我们还将每一层的输入嵌入作为跳跃连接送入以加速训练。实验结果表明，我们的模型在标准分子性质预测基准数据集上达到了最先进的性能。
引用
@article{arxiv.1909.00259,
title = {Gated Graph Recursive Neural Networks for Molecular Property Prediction},
author = {Hiroyuki Shindo and Yuji Matsumoto},
journal= {arXiv preprint arXiv:1909.00259},
year = {2019}
}