MolGraph:一个Python包,用于实现分子图形和图形神经网络,使用TensorFlow和Keras
Alexander Kensert1,2, Gert Desmet3, Deirdre Cabooter4
1Pharmaceutical and Pharmacological Sciences, KU Leuven, Herestraat 49, 3000, Leuven, Belgium. alexander.kensert@gmail.com.
Journal of computer-aided molecular design
|December 5, 2024
概括
一个名为MolGraph的新软件包,可以使用TensorFlow和Keras实现分子机器学习 (ML) 的图形神经网络 (GNN) 模型管道. 该工具有助于分子识别,并提高对染色体保留时间数据的理解.
科学领域:
- 计算化学计算化学
- 机器学习 机器学习
- 化学信息学 化学信息学
背景情况:
- 分子机器学习 (ML) 使用分子描述符或指纹进行属性预测.
- 图形神经网络 (GNN) 在分子任务中提供与传统的ML方法相匹配或优越的性能.
- 现有的GNN工具缺乏与TensorFlow和Keras API的无集成.
研究的目的:
- 介绍MolGraph,这是一个针对TensorFlow/Keras兼容性而定制的新型GNN包.
- 促进用于GNN输入的分子图的生成.
- 在分子ML任务和数据解释中验证GNN性能.
主要方法:
- 开发了MolGraph包,重点关注TensorFlow/Keras API兼容性.
- 实现了一个用于生成小分子图的模块.
- 使用MoleculeNet数据集和色谱保留时间数据进行基准GNN性能.
主要成果:
- 通过MolGraph实现的GNN在基准测试中表现得如预期.
- 在分子识别中,GNN方法证明了它的实用性.
- 使用GNN,增强了色谱保留时间数据的解释性.
结论:
- 在TensorFlow/Keras中,MolGraph提供了一个兼容的GNN模型管道,用于TensorFlow/Keras中的分子ML.
- 在分子识别和提高复杂化学数据的可解释性方面,GNN显示出前景.
- 该MolGraph包是公开可用的,用于更广泛的研究应用.
