Ein universelles Framework für genaue und effiziente geometrische Tiefenlernen molekularer Systeme

Die Molekularwissenschaften befassen sich mit einer Vielzahl von Problemen, die Moleküle verschiedener Typen und Größen sowie deren Komplexe betreffen. In jüngster Zeit haben geometrische Tiefenlernverfahren, insbesondere Graph Neural Networks, vielversprechende Leistungen in Anwendungen der Molekularwissenschaften gezeigt. Allerdings setzen die meisten bestehenden Ansätze gezielte induktive Voreingenommenheiten für spezifische molekulare Systeme voraus und sind bei der Anwendung auf Makromoleküle oder großskalige Aufgaben ineffizient, was ihre Anwendung auf zahlreiche praktische Probleme einschränkt. Um diese Herausforderungen zu bewältigen, stellen wir PAMNet vor – einen universellen Rahmen, der die Darstellungen dreidimensionaler (3D) Moleküle unterschiedlicher Größe und Art in beliebigen molekularen Systemen genau und effizient lernt. Inspiriert von der Molekülmechanik integriert PAMNet eine physikbasierte Voreingenommenheit, um lokale und nicht-lokale Wechselwirkungen sowie deren kombinierte Effekte explizit zu modellieren. Dadurch kann PAMNet rechenintensive Operationen reduzieren und ist somit zeit- und speichereffizient. In umfangreichen Benchmark-Studien übertrifft PAMNet die derzeit besten Baselines sowohl hinsichtlich Genauigkeit als auch Effizienz in drei unterschiedlichen Lernaufgaben: Eigenschaften kleiner Moleküle, 3D-Strukturen von RNA und Bindungsaffinitäten zwischen Proteinen und Liganden. Unsere Ergebnisse unterstreichen das große Potenzial von PAMNet für eine breite Palette von Anwendungen in der Molekularwissenschaft.