用图形神经网络与无相邻传递信息的无基物质和多基物质的分子特性加速预测

科学领域:

• 计算化学和化学信息学.
• 机器学习在环境科学中的应用.
• 开发化学污染物的预测模型.

背景情况:

• 分子污染物的巨大化学空间需要先进的计算工具来预测性能和相互作用研究.
• 图形神经网络 (GNN) 显示出分子性质预测的前景,但可能是计算密集的.
• 和多醇基物质 (PFAS) 是重要的环境污染物,需要有效的分析方法.

研究的目的:

• 评估一种新的图形增强多层感知子 (GE-MLP),用于预测PFAS的分子性质.
• 为了比较GE-MLP的性能与传统的GNN架构,如图形卷积网络 (GCN) 和图形注意网络 (GAT).
• 评估包含结构信息的前方法的计算效率和预测准确性.

主要方法:

• 开发和训练了一种GE-MLP模型,使用15,000个PFAS的数据集,包括分子指纹和节点级描述符.
• 将GE-MLP与GCN和GAT模型的性能进行比较,以预测电子亲和力 (EA),电离潜力 (IP) 和HOMO-LUMO差距 (HL).
• 对实验结果进行了模型预测的验证,并采用了紧密结合的方法来生成数据集.

主要成果:

• GE-MLP表现出强大的预测性能,在电离电位 (IP) 预测方面表现优于GCN和GAT.
• GE-MLP有效地使用分子指纹和描述符嵌入结构信息,绕过基于相邻的消息传递.
• GE-MLP提供了一个计算效率高,可扩展和无消息传递的替代方案,用于保持结构意识的分子性质预测.

结论:

• 基于图形的架构对于预测复杂污染物 (如PFAS) 的分子特性非常有价值.
• 通过分子描述器将结构信息集成到密集的神经网络 (GE-MLP) 中,是传统的GNN消息传递方法的可行替代方案.
• 该GE-MLP提供了一个计算效率高,可扩展的环境污染物分析和修复策略的方法.