ViSNet：一种用于分子的具有矢量-标量交互消息传递的等变几何增强图神经网络
化学物理
2023-08-17 v3 生物大分子
量子物理
摘要
几何深度学习一直在革新分子建模领域。尽管最先进的神经网络模型在分子性质预测方面正接近第一性原理精度，但其在药物发现和分子动力学（MD）模拟等方面的应用仍受限于几何信息利用不足和高计算成本。在此我们提出一种称为 ViSNet 的等变几何增强图神经网络，它优雅地提取几何特征并以低计算成本高效建模分子结构。我们提出的 ViSNet 在多个 MD 基准（包括 MD17、修订版 MD17 和 MD22）上优于最先进的方法，并在 QM9 和 Molecule3D 数据集上实现了优异的化学性质预测。此外，ViSNet 在 OGB-LCS@NeurIPS2022 竞赛的 PCQM4Mv2 赛道中获得冠军。进一步，通过一系列模拟和案例研究，ViSNet 能高效探索构象空间并提供合理的可解释性，将几何表示映射到分子结构。
引用
@article{arxiv.2210.16518,
title = {ViSNet: an equivariant geometry-enhanced graph neural network with vector-scalar interactive message passing for molecules},
author = {Yusong Wang and Shaoning Li and Xinheng He and Mingyu Li and Zun Wang and Nanning Zheng and Bin Shao and Tie-Yan Liu and Tong Wang},
journal= {arXiv preprint arXiv:2210.16518},
year = {2023}
}