结构感知的 E(3) 不变分子构象聚合网络
机器学习
2024-08-21 v3
摘要
分子的 2D 表示由其原子、原子属性及共价键组成。分子的 3D（几何）表示被称为构象体，由其原子类型和笛卡尔坐标组成。每个构象体都具有势能，该能量越低，其在自然界中出现的可能性就越大。现有的大多数用于分子性质预测的机器学习方法仅孤立地考虑 2D 分子图或 3D 构象体结构表示。受近期将构象体集合与 2D 图表示结合使用的工作启发，我们提出了 E(3) 不变分子构象聚合网络。该方法将分子的 2D 表示与其多个构象体的表示相融合。与先前的工作不同，我们提出了一种基于 Fused Gromov-Wasserstein Barycenter 问题可微求解器的全新 2D-3D 聚合机制，并使用了一种基于距离几何的高效构象体生成方法。我们证明了所提出的聚合机制具有 E(3) 不变性，并提出了一种高效的 GPU 实现。此外，我们证明该聚合机制有助于在既有数据集上显著优于 SOTA 分子性质预测方法。
引用
@article{arxiv.2402.01975,
title = {Structure-Aware E(3)-Invariant Molecular Conformer Aggregation Networks},
author = {Duy M. H. Nguyen and Nina Lukashina and Tai Nguyen and An T. Le and TrungTin Nguyen and Nhat Ho and Jan Peters and Daniel Sonntag and Viktor Zaverkin and Mathias Niepert},
journal= {arXiv preprint arXiv:2402.01975},
year = {2024}
}
备注
Accepted at ICML 2024 (updated version)