基于条件玻尔兹曼生成器的分子图神经网络预训练
机器学习
2024-01-22 v3 化学物理
生物大分子
摘要
使用深度学习学习分子结构的表示是分子性质预测任务中的一个基本问题。分子在现实世界中本质上以三维结构存在；此外，它们不是静态的，而是在3D欧几里得空间中连续运动，形成势能面。因此，期望预先生成多种构象，并使用结合了多种构象的4D-QSAR模型提取分子表示。然而，由于获取多种构象的计算成本，这种方法对于药物和材料发现任务是不切实际的。为了解决这一问题，我们提出了一种利用现有分子构象数据集的分子GNN预训练方法，以从2D分子图生成对多种构象通用的潜在向量。我们的方法称为Boltzmann GNN，通过最大化用于构象生成的条件生成模型的条件边际似然来表述。我们表明，与使用分子图和三维分子结构的现有预训练方法相比，我们的模型在分子性质预测方面具有更好的性能。
引用
@article{arxiv.2312.13110,
title = {Pre-training of Molecular GNNs via Conditional Boltzmann Generator},
author = {Daiki Koge and Naoaki Ono and Shigehiko Kanaya},
journal= {arXiv preprint arXiv:2312.13110},
year = {2024}
}
备注
4 pages