基于图卷积网络学习通用且鲁棒的3D分子表示
机器学习
2023-07-25 v1 生物大分子
摘要
为学习准确的分子表示，必须同时考虑化学特征和几何特征。为编码几何信息，许多描述子在受限环境下针对特定类型分子被提出，且不具备“鲁棒”性质：1. 对旋转和平移不变；2. 在嵌入分子结构时为单射。本工作中，我们提出一种基于3D分子图表示的通用且鲁棒的有向节点对（DNP）描述子。与先前描述子相比，我们的DNP描述子具有鲁棒性，并可应用于多种分子类型。为结合分子中的DNP描述子与化学特征，我们构建了鲁棒分子图卷积网络（RoM-GCN），其能在生成分子表示时同时考虑节点与边特征。我们在蛋白质和小分子数据集上评估了模型。结果验证了DNP描述子在融合分子3D几何信息方面的优越性。RoM-GCN优于所有对比基线。
引用
@article{arxiv.2307.12491,
title = {Learning Universal and Robust 3D Molecular Representations with Graph Convolutional Networks},
author = {Shuo Zhang and Yang Liu and Li Xie and Lei Xie},
journal= {arXiv preprint arXiv:2307.12491},
year = {2023}
}
备注
Preprint. Work in progress