O-GNN: دمج الاحتمالات الحلقيّة في النمذجة الجزيئية

المركبات الدائرية التي تحتوي على حلقة واحدة على الأقل تلعب دورًا مهمًا في تصميم الأدوية. وعلى الرغم من النجاح الأخير في النمذجة الجزيئية باستخدام الشبكات العصبية الرسومية (GNN)، فإن عدد النماذج التي تأخذ الحلقات في المركبات بعين الاعتبار بشكل صريح يظل محدودًا، مما يحد من قدرة النماذج على التعبير عن البنية الجزيئية بدقة. في هذا العمل، نصمم نموذجًا جديدًا من الشبكات العصبية الرسومية، يُعرف باسم GNN المُعزّز بالحلقات (O-GNN)، والذي يُمثّل الحلقات بشكل صريح إلى جانب تمثيل الذرات والروابط في الجزيئات. في نموذج O-GNN، تُمثّل كل حلقة بواسطة متجه خفي، يساهم في التمثيل العام للجزيء ويتغير تدريجيًا بناءً على تمثيلات الذرات والروابط. تُظهر التحليلات النظرية أن O-GNN قادر على التمييز بين مجموعتين فرعيتين متماثلتين تقعان على حلقتين مختلفتين باستخدام طبقة واحدة فقط، في حين أن الشبكات العصبية الرسومية التقليدية تتطلب عدة طبقات لتحقيق هذا التمييز، مما يدل على أن O-GNN أكثر تعبيرًا. أظهرت التجارب أداءً جيدًا لنموذج O-GNN على مجموعات بيانات عامة، حيث حقق نتائج رائدة في معيار PCQM4Mv1 (متفوقًا على الحل السابق الفائز في مسابقة KDDCup)، وفي مهمة توقع التفاعل بين الأدوية على منصة DrugBank. علاوة على ذلك، تفوق O-GNN على النماذج القوية (التي لا تأخذ الحلقات بعين الاعتبار) في مهام توقع الخصائص الجزيئية وتوقع التصنيع العكسي.