O-GNN: Einbeziehung von Ring-Prioris in die molekulare Modellierung

Zyklische Verbindungen, die mindestens einen Ring enthalten, spielen eine entscheidende Rolle bei der Arzneimittelentwicklung. Trotz der jüngsten Erfolge der molekularen Modellierung mittels Graph Neural Networks (GNNs) berücksichtigen nur wenige Modelle explizit die Ringstruktur in Molekülen, was die Ausdruckskraft der Modelle einschränkt. In dieser Arbeit stellen wir eine neue Variante von GNNs vor, das ringverstärkte GNN (O-GNN), das neben Atomen und Bindungen explizit auch Ringe in Molekülen modelliert. Im O-GNN wird jeder Ring durch einen latenten Vektor repräsentiert, der sowohl durch die Darstellungen von Atomen und Bindungen beeinflusst wird als auch iterativ aktualisiert wird. Theoretische Analysen zeigen, dass O-GNN bereits mit einer einzigen Schicht in der Lage ist, zwei isomorphe Teilgraphen, die sich auf unterschiedlichen Ringen befinden, zu unterscheiden – während herkömmliche Graph-Convolutional Neural Networks dazu mehrere Schichten benötigen, was belegt, dass O-GNN ausdrucksstärker ist. Experimentelle Ergebnisse zeigen, dass O-GNN auf öffentlichen Datensätzen hervorragende Leistung erzielt. Insbesondere erreicht es den Stand der Technik bei der PCQM4Mv1-Benchmark (übertroffen die bisherige KDDCup-Champion-Lösung) sowie bei der Vorhersage von Arzneimittel-Arzneimittel-Interaktionen auf DrugBank. Darüber hinaus übertrifft O-GNN starke Baseline-Modelle (die keine Ringe modellieren) bei der Vorhersage molekularer Eigenschaften und der retrosynthetischen Vorhersage.