Molekülmechanikgetriebenes Graph Neural Network mit mehrfachem Graphen für molekulare Strukturen

Die Vorhersage physikochemischer Eigenschaften aus Molekülstrukturen ist eine zentrale Aufgabe für den künstlichen Intelligenz-gestützten Moleküldesign. In den letzten Jahren wurden zunehmend Graph Neural Networks (GNNs) vorgeschlagen, um diese Herausforderung zu meistern. Diese Modelle steigern ihre Ausdruckskraft, indem sie zusätzliche Informationen aus Molekülen integrieren, was jedoch zwangsläufig ihre rechnerische Komplexität erhöht. In dieser Arbeit zielen wir darauf ab, ein GNN zu entwerfen, das sowohl leistungsfähig als auch effizient für Molekülstrukturen ist. Um dieses Ziel zu erreichen, schlagen wir einen molekularmechanikbasierten Ansatz vor, bei dem jedes Molekül zunächst als zweischichtiges Multiplex-Graph-Modell repräsentiert wird: Eine Schicht enthält ausschließlich lokale Verbindungen, die hauptsächlich kovalente Wechselwirkungen erfassen, während die andere Schicht globale Verbindungen beinhaltet, die nicht-kovalente Wechselwirkungen simulieren können. Für jede Schicht wird anschließend ein entsprechender Nachrichtenübertragungs-Modul vorgeschlagen, um das Gleichgewicht zwischen Ausdruckskraft und rechnerischer Komplexität zu optimieren. Auf Basis dieser beiden Module entwickeln wir das Multiplex Molecular Graph Neural Network (MXMNet). Bei der Validierung anhand des QM9-Datensatzes für kleine Moleküle und des PDBBind-Datensatzes für große Protein-Ligand-Komplexe erzielt MXMNet gegenüber bestehenden state-of-the-art-Modellen signifikant bessere Ergebnisse unter eingeschränkten Ressourcen.