基于图卷积网络的分子距离矩阵预测
化学物理
2022-03-14 v2 人工智能
摘要
分子结构在许多领域有重要应用。例如，一些研究表明，在预测分子性质时，分子空间信息可用于获得更好的预测结果。然而，传统的分子几何计算（如密度泛函理论(DFT)）耗时较长。有鉴于此，我们提出一种基于图卷积网络的模型来预测原子间的成对距离，亦称分子的距离矩阵预测(DMGCN)。为表明 DMGCN 模型的效果，将该模型与 DeeperGCN-DAGNN 模型及 RDKit 中计算分子构象的方法进行比较。结果表明，DMGCN 的 MAE 小于 DeeperGCN-DAGNN 与 RDKit。此外，将 DMGCN 模型预测的距离与 QM9 数据集计算的距离用于预测分子性质，从而显示了 DMGCN 模型预测距离的有效性。
引用
@article{arxiv.2107.01035,
title = {Molecular distance matrix prediction based on graph convolutional networks},
author = {Xiaohui Lin and Yongquan Jiang and Yan Yang},
journal= {arXiv preprint arXiv:2107.01035},
year = {2022}
}
备注
17 pages, 4 figures, 6 tables