Molecule3D: Eine Benchmarkeinrichtung zur Vorhersage von 3D-Geometrien aus Molekülgraphen

Graphen-neuronale Netze etablieren sich als vielversprechende Methoden zur Modellierung molekularer Graphen, bei denen Knoten und Kanten für Atome und chemische Bindungen stehen, jeweils. Neuere Studien zeigen, dass die Genauigkeit von Vorhersagen molekularer Eigenschaften gesteigert werden kann, wenn dreidimensionale molekulare Geometrien wie Bindungslängen und -winkel zur Verfügung stehen. Allerdings erfordern die Berechnungen dreidimensionaler molekularer Geometrien quantenmechanische Berechnungen, die rechnerisch sehr aufwendig sind. Zum Beispiel benötigt eine genaue Berechnung der 3D-Geometrie eines kleinen Moleküls unter Verwendung der Dichtefunktionaltheorie (DFT) mehrere Stunden Rechenzeit. In diesem Beitrag schlagen wir vor, die Grundzustandsgeometrien dreidimensionaler Moleküle aus molekularen Graphen mit maschinellem Lernen zu prognostizieren. Um dies realisierbar zu machen, haben wir einen Benchmark entwickelt, der als Molecule3D bekannt ist und einen Datensatz umfasst, der präzise Grundzustandsgeometrien von etwa 4 Millionen Molekülen enthält, die durch DFT abgeleitet wurden. Wir stellen außerdem eine Reihe von Softwarewerkzeugen für Datenverarbeitung, Aufteilung, Training und Evaluierung bereit. Insbesondere schlagen wir vor, den Fehler und die Gültigkeit der vorhergesagten Geometrien mittels vier Metriken zu bewerten. Wir implementieren zwei Baseline-Methoden: Die eine prognostiziert den paarweisen Abstand zwischen Atomen, während die andere Atomkoordinaten im dreidimensionalen Raum bestimmt. Experimentelle Ergebnisse zeigen, dass unsere Methode im Vergleich zur Generierung dreidimensionaler Geometrien mit RDKit vergleichbare Vorhersagegenauigkeit erreichen kann, aber mit deutlich geringeren Rechenkosten verbunden ist. Unser Molecule3D ist als Modul der Softwarebibliothek MoleculeX verfügbar (https://github.com/divelab/MoleculeX).