导语

图神经网络(GNN, Graph neural networks)被认为是一种用于分子性质预测有吸引力的建模方法,许多研究表明,与传统的基于描述符的方法相比,GNN可以产生更有希望的结果。
DrugAI团队 | 作者
DrugAI | 来源







图神经网络(GNN, Graph neural networks)被认为是一种用于分子性质预测有吸引力的建模方法,许多研究表明,与传统的基于描述符的方法相比,GNN可以产生更有希望的结果。这项研究中,基于涵盖各种属性的11个公共数据集,由八种机器学习(ML)算法开发的预测模型的预测能力和计算效率,包括四个基于描述符的模型(SVM,XGBoost,RF和DNN)以及广泛测试和比较了四个基于图的模型(GCN,GAT,MPNN和Attentive FP)。





由于GNN具有自动学习分子表示的能力,因此在分子性质预测中引起了极大的兴趣。到目前为止,大多数研究似乎得出结论:GNN比传统的基于描述符的模型更有希望。这项研究中,研究人员证明了在预测准确性和计算效率方面,基于描述符的模型在预测各种分子性质方面平均优于基于图的模型。SVM通常为回归任务提供最佳预测。XGBoost和RF都可以为分类任务提供可靠的预测,而基于图的方法(例如GCN和Attentive FP)可以在一部分较大或多任务的数据集上提供出色的性能。计算效率方面,XGBoost和RF具有快速的可计算性,即使对于大型数据集也只需几秒钟即可训练模型。而且,基于描述符的模型可以通过SHAP方法很好地解释。最后,使用机器学习模型对HIV进行VS研究,结果表明,不同的ML算法可提供多种VS概况。总之,研究人员的研究表明,在预测准确性,可计算性和可解释性方面,基于描述符的模型能够实现与高度复杂和专业的基于图的模型更好或相当的预测。

参考资料:
Jiang, D., Wu, Z., Hsieh, CY. et al. Could graph neural networks learn better molecular representation for drug discovery? A comparison study of descriptor-based and graph-based models. J Cheminform 13, 12 (2021). 

https://doi.org/10.1186/s13321-020-00479-8

复杂科学最新论文


集智斑图顶刊论文速递栏目上线以来,持续收录来自Nature、Science等顶刊的最新论文,追踪复杂系统、网络科学、计算社会科学等领域的前沿进展。现在正式推出订阅功能,每周通过微信服务号「集智斑图」推送论文信息。扫描下方二维码即可一键订阅:



推荐阅读
图神经网络前沿综述:动态图网络

纤维丛理论解决神经网络的“灾难性遗忘”问题

图网络深度解析:为什么说图网络是 AI 的未来?
加入集智,一起复杂!

点击“阅读原文”,追踪复杂科学顶刊论文