要約
分子構造から物性・化学性質を予測することは、人工知能を活用した分子設計において重要な課題である。近年、この課題に対応するため、多数のグラフニューラルネットワーク（GNN）が提案されてきた。これらのモデルは、分子内の補助情報を組み込むことで表現力の向上を図るが、その一方で計算複雑性の増加も避けがたい。本研究では、分子構造に対して高い表現力と効率性を両立するGNNの設計を目指す。その実現のため、まず各分子を二層構造のマルチプレックスグラフとして表現する。一つの層は局所的な接続のみを含み、主に共有結合相互作用を捉えるのに対し、もう一方の層はグローバルな接続を有し、非共有結合相互作用を模倣可能である。その後、それぞれの層に対して、表現力と計算複雑性のトレードオフを適切に制御するメッセージパッシングモジュールを提案する。これらのモジュールを統合することで、マルチプレックス分子グラフニューラルネットワーク（MXMNet）を構築した。小分子に対するQM9データセットおよび大規模なタンパク質-リガンド複合体に対するPDBBindデータセットを用いた検証において、制限されたリソース下でも、既存の最先端モデルを上回る優れた性能を達成した。