用于血脑屏障渗透性预测的几何多色消息传递图神经网络
机器学习
2025-12-09 v5
摘要
准确预测血脑屏障渗透性（BBBP）对于中枢神经系统（CNS）药物开发至关重要。虽然图神经网络（GNN）已推进分子属性预测，但往往依赖于分子拓扑结构，忽略了对于建模传输机制至关重要的三维几何信息。本文引入了几何多色消息传递图神经网络（GMC-MPNN），一种新型框架，通过显式整合原子级几何特征和长程相互作用，增强了标准消息传递架构。我们的模型基于原子类型构建加权彩色子图，以捕获支配血脑屏障渗透性的空间关系和化学背景。我们在三个基准数据集上对GMC-MPNN进行了评估，进行分类和回归任务，使用严格的骨架分割确保了泛化性的稳健评估。结果表明，GMC-MPNN在分类任务中（AUC-ROC分别为0.947和0.9212）和回归任务中（RMSE为0.5628，Pearson相关系数为0.6947） consistently 优于现有的SOTA模型。进一步的消融研究量化了特定原子对的相互作用影响，揭示了模型预测能力来源于其学习来自常见和罕见但化学上关键功能基团的能力。通过将空间几何整合到图表示中，GMC-MPNN设立了新的性能基准，为药物发现管道提供了更准确和通用的工具。
引用
@article{arxiv.2507.18926,
title = {Geometric Multi-color Message Passing Graph Neural Networks for Blood-brain Barrier Permeability Prediction},
author = {Trung Nguyen and Md Masud Rana and Farjana Tasnim Mukta and Chang-Guo Zhan and Duc Duy Nguyen},
journal= {arXiv preprint arXiv:2507.18926},
year = {2025}
}