Molecule3D：从分子图预测三维几何的基准
机器学习
2021-10-06 v1 人工智能
摘要
图神经网络正作为建模分子图的有前景的方法而出现，其中节点和边分别对应于原子和化学键。近期研究表明，当三维分子几何（如键长和键角）可用时，分子性质预测任务可更准确。然而，三维分子几何的计算需要量子计算，其计算代价令人望而却步。例如，使用密度泛函理论（DFT）精确计算一个小分子的三维几何需要数小时的计算时间。在此，我们提出使用机器学习方法从分子图预测基态三维几何。为使这可行，我们开发了一个称为 Molecule3D 的基准，其包含具有源自 DFT 的约 4 百万分子精确基态几何的数据集。我们还提供了一组用于数据处理、划分、训练和评估等的软件工具。具体而言，我们提出使用四个度量评估预测几何的误差和有效性。我们实现了两种基线方法，分别预测原子间的成对距离或三维空间中的原子坐标。实验结果表明，与用 RDKit 生成三维几何相比，我们的方法可实现相当的预测精度，但计算成本小得多。我们的 Molecule3D 作为 MoleculeX 软件库的一个模块可用 (https://github.com/divelab/MoleculeX)。
引用
@article{arxiv.2110.01717,
title = {Molecule3D: A Benchmark for Predicting 3D Geometries from Molecular Graphs},
author = {Zhao Xu and Youzhi Luo and Xuan Zhang and Xinyi Xu and Yaochen Xie and Meng Liu and Kaleb Dickerson and Cheng Deng and Maho Nakata and Shuiwang Ji},
journal= {arXiv preprint arXiv:2110.01717},
year = {2021}
}