面向三维分子图的几何完全感知机网络
机器学习
2023-04-28 v4 人工智能
生物大分子
定量方法
机器学习
摘要
几何深度学习领域对创新且强大的图神经网络架构的发展产生了深远影响。计算机视觉与计算生物学等学科已从此类方法进展中显著受益，并在蛋白质结构预测与设计等科学领域取得突破。本工作中，我们提出 GCPNet，一种为三维分子图表示学习设计的新的几何完全、SE(3)-等变图神经网络。在四项不同几何任务上的严格实验表明，GCPNet 的预测（1）在蛋白质-配体结合亲和力上达到 0.608 的统计显著相关性，比当前最先进方法高出 5% 以上；（2）在蛋白质结构排序上达到统计显著的靶标局部与数据集全局相关性，分别为 0.616 与 0.871；（3）在牛顿多体系统建模上达到小于 0.01 的任务平均均方误差，比当前方法优 15% 以上；（4）在分子手性识别上达到 98.7% 的最先进预测准确率，优于迄今任何其它机器学习方法。源代码、数据与训练新模型或复现我们结果的说明可在 https://github.com/BioinfoMachineLearning/GCPNet 免费获取。
引用
@article{arxiv.2211.02504,
title = {Geometry-Complete Perceptron Networks for 3D Molecular Graphs},
author = {Alex Morehead and Jianlin Cheng},
journal= {arXiv preprint arXiv:2211.02504},
year = {2023}
}
备注
36 pages, 3 figures, 12 tables. Under review. Also presented at DLG-AAAI 2023 and AI2ASE-AAAI 2023. Code available at https://github.com/BioinfoMachineLearning/GCPNet