检索历史 清除

摘要分子性质（包括理化性质、生物活性、ADMET性质等）的精准预测是药物发现领域的核心主题之一，其在药物设计和发现中起着关键作用。随着药学、化学和生物学相关的实验数据量的不断增加以及人工智能技术的发展，人工智能辅助分子性质预测作为一种新型的数据驱动计算方法引起了广泛的关注，并为药物研发提供了千载难逢的机遇。<br>　　最近，图神经网络（Graph Neural Networks，GNN）在基于图的分子性质预测方面取得了显著进步。然而，当前基于图的深度学习方法忽略了分子的层次信息以及很少探索特征通道之间的关系。为了解决这两点问题，在本研究中，我们提出了一个精心设计的层次信息图神经网络框架（Hierarchical informative Graph Neural Network，HiGNN），其通过同时利用分子图和片段信息来预测分子的性质。首先，我们借用了神经张量网络的思想在 HiGNN 框架中设计了一个原子间相互作用的 GNN 编码块，进行分子特征提取。其次，我们在 HiGNN 框架部署了一个即插即用的特征注意力块（ Feature-wise Attention Block，FA），以在消息传递阶段之后自适应地重新校准原子特征。此外，我们经验性地使用了一种基于化学领域知识的分子切割算法 BRICS （ Breaking of Retrosynthetically Interesting Chemical Substructures），将分子切割成片段，然后将分子图和片段同时输入到GNN编码器以获取全局和层次信息。<br>　　我们在涵盖物理化学、生物物理学、生理学性质和毒性的 11 个药物发现相关的基准数据集上系统地评估了HiGNN模型的预测性能。实验表明，与所有基线模型相比， HiGNN 模型在 11 个基准数据集的 14 个学习任务中的 10 个任务上实现了最先进的性能。此外，详细的消融实验表明，BRICS信息和特征注意块都可以提高HiGNN模型的预测性能。最后，我们提出分子-片段相似性机制来探索HiGNN模型在子图级别的可解释性，案例分析表明HiGNN有助于药物化学家识别分子的关键成分，从而设计出具有所需特性或功能的药物分子。<br>　　此外，本文还将FA模块拓展应用到3D图神经网络SchNet中。我们经验性地设计了几种FA模块的融合策略，并在QM9数据集中进行了评估。实验结果显示，FA模块作为一种特征自适应模块，可以显著提高模型的准确性。这表明，FA模块在处理3D分子数据时具有很大的潜力，并有望成为分子建模中的通用模块。<br>　　HiGNN模型和源代码已开源（https://github.com/idruglab/hignn），我们期望HiGNN可以辅助并加速新药的发现。