TrimNet: Lernen molekularer Darstellungen aus Dreier-Message für die Biomedizin

Motivation: Rechnerische Methoden beschleunigen die Arzneimittelentdeckung und spielen eine wichtige Rolle in der Biomedizin, beispielsweise bei der Vorhersage molekularer Eigenschaften und der Identifizierung von Verbindung-Protein-Wechselwirkungen. Eine zentrale Herausforderung besteht darin, nützliche molekulare Darstellungen zu lernen. In den frühen Jahren wurden molekulare Eigenschaften hauptsächlich mittels Quantenmechanik berechnet oder mit herkömmlichen maschinellen Lernmethoden vorhergesagt, was fachliches Expertenwissen erfordert und oft sehr arbeitsintensiv ist. Heute genießen graphenbasierte neuronale Netze erhebliche Aufmerksamkeit, da sie über eine starke Fähigkeit zur Lernung von Darstellungen aus Graphendaten verfügen. Dennoch weisen derzeitige graphenbasierte Ansätze bestimmte Einschränkungen auf, die angegangen werden müssen, wie beispielsweise eine große Anzahl an Parametern und eine unzureichende Ausnutzung von Bindungsinformationen.Ergebnisse: In dieser Studie stellen wir einen graphenbasierten Ansatz vor, der eine neuartige Dreierpaar-Nachrichtenmechanik einsetzt, um molekulare Darstellungen effizient zu lernen, und diesen Triplet Message Networks (TrimNet) nennen. Wir zeigen, dass TrimNet mehrere Aufgaben der molekularen Darstellungslernung mit signifikanter Reduktion der Parameter genau lösen kann, darunter die Vorhersage quantenmechanischer Eigenschaften, bioaktiver Eigenschaften, physiologischer Merkmale sowie der Verbindung-Protein-Wechselwirkung (CPI). In Experimenten übertrifft TrimNet die bisher beste state-of-the-art-Methode auf verschiedenen Datensätzen deutlich. Neben der geringen Anzahl an Parametern und der hohen Vorhersagegenauigkeit kann TrimNet sich auf die Atome konzentrieren, die für die Zielgrößen entscheidend sind, wodurch eine klare Interpretierbarkeit der Vorhersageaufgaben ermöglicht wird. Diese Vorteile etablieren TrimNet als ein leistungsstarkes und nützliches rechnerisches Werkzeug zur Lösung der herausfordernden Aufgabe des Lernens molekularer Darstellungen.