PointGAT：一种融合图注意力与三维几何的量子化学性质预测模型
定量方法
2023-10-10 v1
摘要
预测量子化学性质是计算化学的一项基本挑战。尽管图神经网络的发展推进了分子表示学习与性质预测，但将三维结构几何融入二维分子图表示可进一步提升其性能。在本研究中，我们引入用于量子分子性质预测的 PointGAT 模型，其将三维分子坐标与图注意力建模相融合。在分子预测任务中与其他当前模型比较表明，PointGAT 在 MoleculeNet 的多个基准数据集（包括 ESOL、FreeSolv、Lipop、HIV 以及 QM9 数据集 12 项任务中的 10 项）上可提供更高的预测精度。为进一步检验 PointGAT 对量子力学（QM）能量的预测，我们构建了 C10 数据集，包含 11,841 个带电及手性碳正离子中间体，其 QM 能量在 DM21/6-31G*//B3LYP/6-31G* 水平上计算。值得注意的是，PointGAT 取得了 0.950 的 R2 值与 1.616 kcal/mol 的 MAE，优于其他模型。额外的消融研究表明，将分子几何纳入模型显著提高了预测精度，使 MAE 值从 1.802 kcal/mol 降至 1.616 kcal/mol。此外，PointGAT 原子注意力权重的可视化表明其预测具有可解释性。本研究结果支持将 PointGAT 作为强大且通用的量子化学性质预测工具，可助力化学空间基础探索以及药物设计与分子工程的高精度建模。
引用
@article{arxiv.2310.05217,
title = {PointGAT: A quantum chemical property prediction model integrating graph attention and 3D geometry},
author = {Rong Zhang and Rongqing Yuan and Boxue Tian},
journal= {arXiv preprint arXiv:2310.05217},
year = {2023}
}
备注
38 pages, 12 figures