研报主要内容与关键数据总结
1. 分子三维空间结构建模
- 有效模型：分子图信息应保留，空间位置应独立于笛卡尔坐标系。
- 解决方案：
- 变换不变神经网络（equivariant neural networks）
- 张量场网络（tensor field networks）
- 旋转和平移不变注意力网络（E (n) equivariant graph neural networks）
- 体素化编码消息传递（geometric encoded message passing）
- Schnet（用于分子和材料的深度学习架构）
- PhysNet（用于预测能量、力、偶极矩和部分电荷的神经网络）
- DimNet（方向性消息传递的分子图）
2. 蛋白质-配体结合亲和力预测
- 目标：筛选与靶蛋白结合的药物。
- 过程：耗时且需要专家知识。
- 预测结合亲和力：加速此过程。
- 方法：
- 结构感知交互图神经网络（SIGN）：
- 基于3D原子坐标构建定向交互图
- 保留距离和角度信息
- 采用局部极坐标系统
- 通过节点→边交互模式保留角度信息
- 通过边→节点交互模式区分多个空间关系
- 数据集：
- PDBbind：包含蛋白质-配体复合物的3D结构及实验亲和力。
- 测试集：4,057个复合物
- 训练集：13,283个复合物
- 基线模型：
- ML-LR, SVR, RF-Score
- CNN-Pafnucy, OnionNet
- Seq-GNN-GraphDTA: GCN, GAT, GIN
- Spa-GNN: SGCN, GNN-DTI, DMPNN, CMPNN, DimeNet
- 性能对比：我们的SIGN模型在两个基准测试中表现最佳。
3. 分子性质预测
- 目标：通过图方法学习分子表示，预测目标属性。
- 方法：
- 几何图对比学习（GeomGCL）：
- 双视图分子图构造
- 几何增强的学习
- 2D-3D分子图对比优化
- 2D和3D视图的几何编码
- 自适应几何消息传递方案
- 数据集：MoleculeNet中的七个基准数据集。
- 基线模型：
- 消息传递方法
- AttentiveFP, CoMPT, DMPNN
- 几何增强的GNNs
- SGCN, MAT, HMGNN, DimeNet
- 对比学习方法
- InforGraph, MoCL
- 性能对比：我们的方法在所有基准测试中表现最佳。
总结
本研报详细探讨了分子三维空间结构建模和蛋白质-配体结合亲和力预测的方法。SIGN模型通过保留距离和角度信息，显著提升了预测精度。此外，GeomGCL方法通过双视图构造和自适应几何消息传递方案，在分子性质预测任务中表现出色。
