用于预测亲电性指数的图神经网络架构:来自二维和三维分子图表示的见解

《Physical Chemistry Chemical Physics》:Graph neural network architectures for predicting the electrophilicity index: insights from 2D and 3D molecular graph representations

【字体: 大 中 小 】 时间:2026年05月07日 来源:Physical Chemistry Chemical Physics 2.9

编辑推荐:

  亲电性指数(ω)是一个基本的量子化学描述符,用于量化分子接受电子的能力,在评估反应性和稳定性以及指导分子设计方面发挥着关键作用。在这项研究中,我们使用来自QM9有机分子数据集的数据,对多种图神经网络(GNN)架构进行了基准测试,以预测ω值。由于ω是一个基于前沿分子轨道能量的全局量

  亲电性指数(ω)是一个基本的量子化学描述符,用于量化分子接受电子的能力,在评估反应性和稳定性以及指导分子设计方面发挥着关键作用。在这项研究中,我们使用来自QM9有机分子数据集的数据,对多种图神经网络(GNN)架构进行了基准测试,以预测ω值。由于ω是一个基于前沿分子轨道能量的全局量子化学性质,通常对局部化学结构敏感,因此我们比较了考虑完整原子结构的3D分子几何模型(SchNet、ALIGNN、GemNet),以及仅考虑分子拓扑的基于连通性的2D模型(attentive FP、GCN、GraphSAGE、GIN、GINE、GATv2)。结果表明,ω不仅取决于分子拓扑,还取决于完整的3D原子排列,这一点从3D模型尤其是ALIGNN更优越的预测准确性中得到了体现。尽管如此,一些2D GNN提供了计算效率更高的替代方案。值得注意的是,GINE的训练时间比ALIGNN减少了至少一个数量级,而预测准确性的下降仅约1%。I. 引言

亲电性概念在理解化学反应性和分子稳定性方面起着基础性作用,特别是在前沿分子轨道理论的背景下。1,2 由Parr等人引入的亲电性指数(ω)量化了分子接受电子的倾向,使其成为理论化学中的重要描述符。它对于理解亲电相互作用中的分子反应性以及药物设计和催化等实际应用特别有价值。5 亲电性指数定义为:3

其中μ是化学势,η是化学硬度。它们定义为

其中I是电离势(移除一个电子所需的能量),A是电子亲和力(添加一个电子时释放的能量)。这两个量共同定义了ω,它平衡了获得额外电荷的驱动力(通过μ)与抵抗电荷变形的能力(通过η)。较高的ω值表示更强的亲电试剂,即更易于接受电子的分子。根据Koopmans定理,6 电离势和电子亲和力可以分别从最高占据分子轨道(HOMO)和最低未占据分子轨道(LUMO)能量来近似。使用方程(2)中的μ和η的表达式,ω可以用统一的形式表示为

尽管ω是根据HOMO和LUMO能量定义的,EHOMO和ELUMO,但它是一个非线性函数,涉及到这些量的和以及不同指数的差值。因此,HOMO或LUMO能量的小误差可能会非线性地传播,并导致ω值的偏差不成比例地增大。从物理上讲,作为从前沿分子轨道能量得出的全局反应性描述符,ω值对局部原子特征和长程相互作用特别敏感。这种行为使ω不同于更常见的量子化学性质,从而使其直接从分子结构进行预测成为比从单个轨道能量重建更具有挑战性的学习任务。此外,方程(3)中的表达式依赖于Koopmans定理,该定理假设分子轨道在电子移除或添加时不会松弛。然而,对于更大分子结构的量子化学计算的常用标准方法是密度泛函理论(DFT)。7,8 在可用的泛函中,只有最近的混合、分离范围或双杂化泛函才能提供前沿轨道能量和相关反应性描述的可靠估计。9,10 但这样的计算计算要求高,因此通常仅限于相对较小的参考数据集。这一限制限制了它们在大规模分子筛选和高通量研究中的应用。11–18

因此,人们对能够以显著降低的计算成本近似量子化学性质的替代方法越来越感兴趣。实际上,最近在机器学习模型的应用中,ω重新受到了关注,19,20 这些模型可能会比DFT更快地提供预测结果。在这种情况下,如图神经网络(GNN)这样的数据驱动方法作为一种有前途的解决方案出现,使得可以直接从现有的分子数据集中进行学习。通过利用分子图表示,GNN提供了一种快速、可扩展且准确的预测ω的方法,无需进行昂贵的量子化学计算。机器学习的最新进展,特别是GNN的发展,使得可以直接从基于图的化学结构表示中来建模分子性质。21–43 分子可以自然地编码为图,原子作为节点,键作为边,这使得GNN特别适合于分子性质预测。这些模型无需手工制作的特征或昂贵的量子力学计算,就能学习结构和性质之间的复杂高维关系。在这项工作中,我们研究了使用QM9数据库的数据来预测ω,该数据库是一个广泛使用的基准数据集,其中包含了大约134,000个小有机分子的量子化学性质,这些性质是使用B3LYP/6-31G(2df,p)理论级别的DFT计算得出的。我们的目标不是通过DFT直接为新分子计算ω,而是构建预测模型,利用现有的QM9数据来推广到未见过的化合物。以前的研究已经应用了基于分子描述符的机器学习模型来估计与亲电性相关的量;19,45 然而,这些方法并没有充分利用分子图结构。此外,对于直接预测概念性DFT ω的2D和3D GNN的系统性比较仍然缺失。在这里,我们在统一的训练和评估框架内对2D和3D GNN架构进行了系统的比较评估,量化了分子拓扑和显式几何信息的相对贡献,以及相关的准确性与计算成本之间的权衡。据我们所知,这是首次使用GNN直接预测概念性DFT ω的研究。为了从分子图表示中高效预测ω,我们使用了九种广泛使用的GNN架构,这些架构被分为2D和3D分子图,选择它们是因为它们在量子化学和分子性质预测任务中已被证明是有效的。所有模型都是使用方程(3)从QM9数据集中得到的ω值进行训练的,原子和键特征是直接从相应的分子结构中提取的。本研究中考虑的2D GNN模型包括图卷积网络(GCN)、46 注意力指纹(AFP)、47 图同构网络(GIN)、48 带有边特征的图同构网络(GINE)、49 图注意力网络v2(GATv2)、50 和图样本和聚合(GraphSAGE),51 它们都在基于SMILES表示构建的图上操作。52 为了捕捉几何效应,我们还使用了3D GNN架构——SchNet、53 原子线图神经网络(ALIGNN)、26 和几何信息传递网络(GemNet)54——这些架构纳入了原子坐标和原子间距离等空间信息。这些模型共同提供了一个全面的框架,用于评估拓扑和几何分子信息在预测ω中的相对重要性。重要的是,这些模型是可转移的,并且可以通过迁移学习调整到更高质量或实验数据集。55

需要强调的是,本研究中考虑的亲电性指数ω是一个基于前沿分子轨道能量的概念性密度泛函理论描述符,而不是一个可以直接测量的实验可观测量。因此,这项研究的目的是探究现代GNN架构是否能够学习分子结构和这种理论反应性描述符之间的非线性关系。使用机器学习预测这样的描述符可以显著加快计算化学工作流程,通过提供快速的量子化学性质估计,而无需进行显式的电子结构计算。这种能力对于大规模分子筛选和化学空间的高通量探索特别有用。本文的结构如下:第二部分描述了数据集和探索性数据分析、基于图的分子结构表示、GNN模型的详细信息及其训练程序、超参数优化策略以及用于预测ω的评估指标。第三部分展示了结果,并讨论了模型在回归任务上的表现。最后,第四部分总结了研究的关键发现和主要结论。额外的结果和分析在SI中提供,作为单独的文件。II. 方法

A. 数据集概述和初步分析

如前所述,本研究中使用的ω数据库是根据QM9数据集构建的。为了揭示数据集的组成,图S1(a)显示了数据集中按原子类型划分的分子计数的分布情况。碳是最常见的元素(133,722个分子),其次是氧(113,853个)、氮(82,699个)和氟(2,120个)。这种组成反映了常见有机元素的主导地位,氟化分子相对较少,这与药物类和有机化学数据集中通常观察到的趋势一致。此外,为了分析数据的统计特性,我们在图1(左)中将ω值的分布绘制为直方图。所得分布明显右偏,大多数值聚集在零附近,而长尾向更高的ω延伸。偏度用于量化分布的不对称性,证实了这种偏离正态性的现象。虽然正态分布是对称的,偏度为零,但观察到的右偏表明ω值的平均值高于中位数,反映出具有异常高ω值的分子相对较少。叠加的红色密度曲线56进一步强调了原始数据的不对称性和非正态性。这表明大多数分子的亲电反应性较低,与QM9数据库中存在的小的、经过DFT优化的有机分子一致。长右尾代表了少数高反应性分子,使得分布不适合标准统计建模和可视化。图1

亲电性指数(ω)值的分布。(左) 原始值显示右偏分布。(右) 对数转换后的(ωlog)值接近正态分布。为了处理这种偏度,对ω值进行了对数转换,

ωlog = log(ω + ε)。
(4)

为了防止由log(0)和极小的ω值引起的数值不稳定,在对数转换之前加了一个小的常数ε = 1 × 10^-6。这种标准的稳定技术确保了梯度的明确定义和训练行为的平滑。对数转换压缩了大值,同时扩大了小值的范围,从而得到了更对称的、近似高斯的分布。此外,它还通过揭示低反应性分子之间的微妙差异来改善可视化,稳定方差,并便于使用GNN进行回归或分类任务。图1(右)展示了对数转换后的ω值分布,ωlog。结果表明,直方图明显更加对称。为了检查ω与其对数转换后的数据ωlog的一致性,计算了Spearman等级相关系数(ρ)(图S1(b))。点沿对角线的完美对齐(ρ = 1.0)确认了分子按ω值的相对排序在对数转换后保持不变。这些结果表明,对ω的对数转换保留了分子之间的潜在化学关系,同时改善了数据的统计均匀性,有利于可靠的建模。B. 机器学习工作流程

使用GNN预测ω的工作流程如图2所示,下面将描述各个步骤。图2

GNN工作流程,用于使用2D/3D特征预测亲电性指数(ω)。

a. QM数据库和目标构建(步骤1-2)

分子结构是从QM9数据库中获得的。ω值是使用方程(1)、(2)和(3)从QM9数据中计算得出的。EHOMO和ELUMO能量仅用于计算目标ω值,在GNN训练或推理过程中不作为输入特征。

b. 分子解析和图表示(步骤3-5)

为了利用GNN进行分子性质分析,首先必须将数值分子数据转换为图表示。正式地,一个分子表示为一个图

其中节点集

对应于分子中的原子,边集

代表连接这些原子的化学键。在这个框架中,每个原子被视为一个节点,每个键被视为一个边,允许GNN自然地捕获分子的结构连接性和化学性质。

分子结构使用SMILES字符串编码52,并使用RDKit61解析以构建2D分子图。对于3D GNN模型,直接使用QM9中提供的原子坐标来构建具有几何意识的图表示。通过将分子表示为图,GNN可以有效地学习复杂的结构模式和化学相互作用,捕捉局部原子邻域和分子图的全局连接性。在生成的图形表示中,原子对应于节点,化学键对应于边。节点特征包括原子序数、价态、杂化状态、芳香性和形式电荷,而边特征则编码了键的类型、共轭性和环的归属,这些特征是通过RDKit从分子结构中派生出来的。对于具有几何感知能力的架构,还结合了从原子坐标中得到的额外空间信息,如原子间距离和键角关系,以捕捉三维结构相互作用,如图3所示。

本工作中使用的图形构建方法进行比较。(a) 标准分子图,其中原子作为节点,键作为边。(b) 具有几何感知能力的图,包括原子间距离dij和djk。(c) 通过线图转换得到的ALIGNN键角图,其中键是节点,边连接共享同一原子的键对,编码角度θijk。这里,dij是原子i和j之间的距离。

c. 训练和测试数据集分割(步骤6)

为了模型训练和评估,ω数据集包含133,725个分子结构,随机打乱后分为80%用于训练(106,980个样本)和20%用于测试(26,745个样本)。这种分割确保了训练集的足够大,同时保留了独立的测试集以便进行无偏的性能评估。

d.
2D和3D GNN架构(步骤7)

构建的分子图使用不同的GNN架构进行处理。考虑了两类模型:(i) 2D原子-键图模型,包括GCN、GIN、GINE、GATv2、attentional FP和GraphSAGE,它们作用于分子连通性;以及(ii) 基于3D几何的模型,如SchNet、GemNet和ALIGNN,这些模型结合了原子间距离和空间信息。

e. 超参数优化(步骤8)

GNN模型的性能对超参数的选择非常敏感,这些超参数决定了训练的稳定性、收敛行为和预测准确性。为了确保跨架构的公平比较,对每个2D和3D GNN模型分别进行系统的超参数优化。调整的超参数包括训练周期数、批量大小、学习率、权重衰减、层数、隐藏通道数和丢弃概率。超参数优化使用Optuna框架进行,该框架结合了随机抽样和自适应剪枝来系统地探索超参数空间,并为每个GNN架构确定最优的训练配置。最终模型使用Adam优化器进行训练,并基于验证损失应用早期停止策略以防止过拟合。所有模型都使用PyTorch框架和PyTorch-Geometric实现。3D和2D GNN模型的超参数都经过精心优化,以确保稳定的训练和准确的ω预测。对于3D模型(GemNet、SchNet、ALIGNN),训练采用了小到中等大小的批量(8-32)和较低的学习率(10^-4-10^-3),以确保稳定的收敛。GemNet和ALIGNN的隐藏维度很高(256),而SchNet使用的是较低维度的嵌入(64),并配备了256个滤波器。模型深度在4到5层之间,正则化通过权重衰减(10^-6-10^-5)来实现。训练周期数(105-300)反映了不同架构之间的收敛速率差异。对于2D模型(GIN、GIN、GATv2、GraphSAGE、AFP、GCN),批量大小(32-128)和学习率(10^-5-10^-3)的变化更为广泛,表明优化敏感性依赖于架构。GIN和GATv2使用了更深的网络(最多6层),而其他模型使用了4-5层。隐藏维度始终保持较大(192-256),正则化包括权重衰减(10^-6-10^-5)和模型特定的丢弃率(0.0-0.2)。总体上,选定的配置平衡了模型复杂性、收敛稳定性和跨不同GNN架构的泛化能力。所有架构的优化超参数总结在表S1和S2中。

f. 十折交叉验证(步骤9)

使用步骤8中获得的优化超参数,在训练集上通过5折交叉验证(CV)来评估模型的鲁棒性。所有折中应用相同的超参数设置,以确保对模型稳定性的评估是一致且无偏的。详细的交叉验证结果提供在补充信息(SI)的图S4(a)-(d)中。

g. 模型训练、测试评估和性能指标(步骤10-12)

最终GNN模型使用优化后的超参数在完整的训练集上训练。随后在训练期间保留的独立测试集上评估模型的泛化性能。模型性能主要基于均方根误差(RMSE)进行优化,同时也报告了其他指标,包括平均绝对误差(MAE)、均方误差(MSE)和决定系数(R2)。所有模型训练都在单个NVIDIA RTX 5000 GPU上完成,并使用固定的随机种子(seed = 42)进行,以确保可重复性。详细的评估指标提供在SI的第S1部分。得到的ω预测结果用于生成下一节讨论的性能图表。

A. 解读2D和3D分子图的洞察

在以下部分,我们基于从对数变换数据计算出的评估指标分析2D和3D模型的性能,结果转换回原始的ω值。为了展示2D模型的比较性能,图4和图5展示了六个GNN模型——GIN、attentional FP、GIN、GATv2、GraphSAGE和GCN——在预测与实际ω值之间的对比。在每个图中,左侧面板显示了预测值与实际值的匹配程度,而右侧面板显示了预测误差(残差)。总体而言,所有六个2D模型的性能都很好,R2值在训练集(蓝点)和测试集(rose点)上都超过了0.95,这意味着它们能够准确捕捉分子结构与ω值之间的关系。图4显示了预测值与实际ω值的关系,而右侧面板展示了GIN、AFP和GIN模型的残差与实际ω值的关系(从上到下)。在图4中的模型中,GIN(顶部)表现最佳(Rtest2 = 0.9816),紧随其后的是GIN(Rtest2 = 0.9779,底部)和attentional FP(Rtest2 = 0.9772,中间)。这些模型特别有效,因为它们在信息传递过程中考虑了详细的分子特征。当从对数变换尺度转换回原始尺度时,R2值略有减少,这是由于逆变换的非线性特性导致的,导致原始尺度上的值略微降低。所有2D模型在对数变换数据上的性能显示在SI的图S2和S3中。图5中展示的其余三个2D模型也表现出了强劲的性能。GATv2在这组模型中获得了最高的准确率(Rtest2 = 0.9732),其次是GraphSAGE(Rtest2 = 0.9667)和GCN(Rtest2 = 0.9571)。右侧的残差图显示大多数预测误差非常小,并且集中在零附近,尽管对于较高的ω值,误差的分布略广。特别是GCN模型,其残差分布较宽,这解释了其性能略低于其他模型。总之,所有测试的GNN架构都能成功预测ω值,其中一些模型实现了比其他模型更高的准确性。在测试集上比较它们的性能时,GIN的表现优于所有其他模型,GIN和attentional FP表现相当,GATv2和GraphSAGE实现了中等准确性,而GCN在这六个架构中排名最低。为了进一步了解情况,我们对所有六个2D GNN模型进行了5折交叉验证。结果总结在表1中,包括单次训练/测试分割和5折CV。模型根据CV RMSE从最好到最差进行排名。对于单次训练/测试分割,GIN实现了最低的测试MAE(0.0015)和RMSE(0.0028),以及最高的测试R2(0.9816),表明其预测准确性较高。相比之下,GCN表现最差,测试MAE最高(0.0024)和RMSE最高(0.0042),R2最低(0.9571)。所有模型在训练和测试指标之间的紧密一致性表明过拟合最小。5折交叉验证结果证实了这些趋势。表1

GNN模型使用单次训练/测试分割和5折交叉验证预测ω的性能指标,包括平均值和标准差(std),按CV RMSE从最好到最差排序

指标
GIN
AFP
GINE
GATv2
GraphSAGE
GCN

训练/测试分割

周期数
214
70
135
215
300
180

训练MAE
0.0013
0.0017
0.0015
0.0018
0.0019
0.0023

测试MAE
0.0015
0.0017
0.0017
0.0019
0.0020
0.0024

训练RMSE
0.0022
0.0031
0.0026
0.0032
0.0035
0.0041

测试RMSE
0.0028
0.0030
0.0030
0.0033
0.0037
0.0042

训练R2
0.9875
0.9763
0.9836
0.9741
0.9693
0.9587

测试R2
0.9816
0.9772
0.9779
0.9732
0.9667
0.9571

5折交叉验证(平均值 ± 标准差)

MAE
0.0017 ± 0.0002
0.0018 ± 0.0001
0.0021 ± 0.0001
0.0023 ± 0.0002
0.0024 ± 0.0001
0.0026 ± 0.0002

RMSE
0.0030 ± 0.0002
0.0034 ± 0.0002
0.0037 ± 0.0002
0.0042 ± 0.0003
0.0044 ± 0.0003
0.0046 ± 0.0002

R2
0.9780 ± 0.0034
0.9711 ± 0.0025
0.9656 ± 0.0044
0.9564 ± 0.0069
0.9529 ± 0.0066
0.9480 ± 0.0038

GIN再次胜过其他模型,实现了最低的CV RMSE(0.0030 ± 0.0002)和最高的CV R2(0.9780 ± 0.0034),其次是AFP和GIN。GATv2、GraphSAGE和GCN显示出逐渐增加的CV误差和较低的R2,表明泛化性能下降。所有模型的MSE值接近零,反映了高预测精度。总体而言,GIN在原始尺度上提供了最准确和最稳健的ω预测,而GCN在测试的架构中一致表现出最低的性能。在图S4(a)和(b)中,报告了每折的R2分数,显示了每个模型的平均预测性能和交叉验证分割之间的一致性,提供了关于鲁棒性和泛化能力的洞察。GIN在每折中都获得了最高的R2,证明了其卓越的性能,而其他模型的平均R2较低且变化较大,表明预测的可靠性较低。图中清晰地传达了每个模型的中心趋势和稳定性。对于3D分子图表示,图6展示了三个具有几何感知能力的GNN——GemNet、SchNet和ALIGNN——在预测ω值方面的性能。与2D模型一样,左侧面板显示了训练和测试集的预测值与实际ω值,而右侧面板显示了残差与实际ω值的关系(从上到下,按交叉验证R2从最差到最好排序)。所有三个模型都展示了出色的预测准确性,测试集的R2值超过了0.98,证实了3D感知信息传递架构在捕获控制目标ω值的结构-性质关系方面非常有效。在评估的模型中,ALIGNN表现最佳(Rtest2 = 0.9941),凸显了通过线图信息传递结合更高阶几何信息的优势。SchNet紧随其后(Rtest2 = 0.9883),受益于连续滤波器卷积,能够编码平滑的距离依赖性交互作用,而GemNet也表现相当(Rtest2 = 0.9882),尽管在较高ω值时残差变化略大。残差图显示所有3D模型的预测误差大多紧密聚集在零附近,表明在完整的ω值范围内具有稳定和无偏的泛化能力。与标准2D GNN基线相比,3D模型实现了一致较高的或相当的准确性,表明明确结合分子几何形状提供了可测量的性能优势。然而,即使在不显式使用3D几何形状的情况下,3D结构信息的结合也能改善模型性能,并且可以获得相当的ω预测。在3D方法家族中,ALIGNN表现最佳,其次是SchNet和GemNet,这证明了表达能力更强的几何信息传递方案对于学习分子反应性描述符的好处。此外,图S5还展示了应用于对数变换数据集的3D模型的结果。除了R2,我们还检查了其他指标,如MAE和RMSE,以提供更全面的模型性能评估,如表2所总结的。为了获得更可靠的评估,我们使用五折交叉验证(5-CV)比较了所有3D模型。基于CV结果,ALIGNN实现了最低的预测误差,MAE为0.0009 ± 0.0002,RMSE为0.0020 ± 0.0003,表明其在各折中的准确性和稳健性都更高。GemNet的均方绝对误差(MAE)为0.0013 ± 0.0000,均方根误差(RMSE)为0.0026 ± 0.0002,而SchNet的误差略高,MAE为0.0015 ± 0.0002,RMSE为0.0027 ± 0.0002。这些结果证实,结合方向性和几何信息,特别是在ALIGNN中,可以提高ω预测的性能。表2展示了ALIGNN、GemNet和SchNet在使用单一训练/测试分割和5折交叉验证(原始尺度)进行ω预测时的性能指标,按CV RMSE从最佳到最差排序。

指标
ALIGNN
GemNet
SchNet

训练/测试分割(原始尺度)
300
163
105

训练MAE
0.0007
0.0008
0.0010

测试MAE
0.0009
0.0011
0.0011

训练RMSE
0.0011
0.0013
0.0017

测试RMSE
0.0016
0.0022
0.0022

训练R2
0.9968
0.9957
0.9929

测试R2
0.9941
0.9882
0.9883

5折交叉验证(平均值 ± 标准差,原始尺度)
MAE
0.0009 ± 0.0002
0.0013 ± 0.0000
0.0015 ± 0.0002

RMSE
0.0020 ± 0.0003
0.0026 ± 0.0002
0.0027 ± 0.0002

R2
0.9897 ± 0.0033
0.9830 ± 0.0021
0.9823 ± 0.0034

与2D模型一样,3D GNN的每折R2值显示在图S4(c)和(d)中。ALIGNN在所有折中始终获得最高的R2,并且方差最小,证明了其出色的预测准确性和稳定的泛化能力。GemNet和SchNet也实现了较高且相对一致的R2值,证实了几何感知消息传递方法在分子性质预测中的鲁棒性。几何感知模型的性能提升突显了在预测电子描述符时结合空间信息的重要性。虽然2D GNN能够捕捉分子连接性,但它们并没有显式编码原子之间的几何关系。相比之下,3D架构结合了原子间距离和角度相互作用,这些因素会影响分子的电子结构。ALIGNN模型通过引入线图进一步扩展了这种表示方法,使得网络能够捕捉对ω预测相关的更高阶几何相互作用。

为了进一步了解影响ω的因素,我们分析了使用RDKit中实现的基于SMARTS(SMiles任意目标指定)70的子结构匹配方法识别出的代表性官能团类别的ω值分布。结果分布显示在图S6中。含有强吸电子取代基的分子(如羰基(CO)或腈基(CN)的分子通常表现出较大的ω值,因为这些基团稳定了LUMO能量,从而增强了分子的电子接受能力。这些趋势可以用前沿分子轨道理论来解释,其中吸电子取代基降低了LUMO能量,从而增加了ω值。相比之下,仅由碳和氢原子组成的碳氢化合物框架通常表现出较低的ω值,因为缺乏强吸电子取代基。醇类、醚类和胺类等官能团表现出中等行为,因为它们的杂原子影响电子结构,但不会像含羰基的基团那样强烈地抽取电子密度。某些官能团类别观察到的相对广泛的分布可以归因于这些基团出现的分子环境的多样性。在许多分子中,多个官能团共存,并可能对前沿轨道能量产生竞争性的电子效应。例如,吸电子取代基可能与供电子基团一起出现,产生更广泛的ω值范围。这种效应在含有混合杂原子的分子中尤为明显,其中含氧和含氮基团的组合产生了多样的电子环境。

2D和3D GNN模型的计算成本

总之,2D和3D GNN模型之间的选择应根据研究的具体要求和约束来确定。当需要高预测准确性和分子细节(如精确预测ω)以及可靠的3D结构信息时,由于3D GNN模型具有捕捉空间分子特征的能力,因此更受欢迎。然而,3D模型需要更多的计算资源:例如,ALIGNN、GemNet和SchNet分别需要大约3525分钟、333分钟和188分钟的训练时间,而2D模型GINE、GATv2、GraphSAGE、GCN、GIN和attentive FP的训练时间分别为约224分钟、183分钟、127分钟、48分钟和21分钟。ALIGNN的高计算成本源于其在原子图和线图上的耦合消息传递,其中键被视为节点,键对编码角度(三体)相互作用,这大大增加了图的大小、消息传递操作和内存使用。请注意,所有模型训练都是在配备32 GB内存的单个NVIDIA RTX 5000 GPU上进行的。当计算效率、可扩展性或缺乏准确的3D构象是一个问题时,2D GNN模型提供了一个健壮且高效的替代方案,具有广泛的适用性。因此,在需要高精度时使用3D模型,在需要计算效率或可扩展性时使用2D模型,为预测分子性质提供了一种实用且平衡的方法。2D和3D GNN的所有执行时间显示在图7中。

与2D模型相比,3D GNN的每折R2值在图S4(c)和(d)中呈现。ALIGNN在所有折中始终获得最高的R2,并且方差最小,证明了其出色的预测准确性和稳定的泛化能力。GemNet和SchNet也实现了较高且相对一致的R2值,证实了几何感知消息传递方法在分子性质预测中的鲁棒性。几何感知模型的性能提升突显了在预测电子描述符时结合空间信息的重要性。虽然2D GNN能够捕捉分子连接性,但它们并没有显式编码原子之间的几何关系。相比之下,3D架构结合了原子间距离和角度相互作用,这些因素会影响分子的电子结构。ALIGNN模型通过引入线图进一步扩展了这种表示方法,使得网络能够捕捉对ω预测相关的更高阶几何相互作用。

为了进一步了解影响ω的因素,我们分析了使用RDKit中实现的基于SMARTS(SMiles任意目标指定)70的子结构匹配方法识别出的代表性官能团类别的ω值分布。结果分布显示在图S6中。含有强吸电子取代基的分子(如羰基(CO)或腈基(CN)的分子通常表现出较大的ω值,因为这些基团稳定了LUMO能量,从而增强了分子的电子接受能力。这些趋势可以用前沿分子轨道理论来解释,其中吸电子取代基降低了LUMO能量,从而增加了ω值。相比之下,仅由碳和氢原子组成的碳氢化合物框架通常表现出较低的ω值,因为缺乏强吸电子取代基。醇类、醚类和胺类等官能团表现出中等行为,因为它们的杂原子影响电子结构,但不会像含羰基的基团那样强烈地抽取电子密度。某些官能团类别观察到的相对广泛的分布可以归因于这些基团出现的分子环境的多样性。在许多分子中,多个官能团共存,并可能对前沿轨道能量产生竞争性的电子效应。例如,吸电子取代基可能与供电子基团一起出现,产生更广泛的ω值范围。这种效应在含有混合杂原子的分子中尤为明显,其中含氧和含氮基团的组合产生了多样的电子环境。

在本研究中,我们对图神经网络(GNN)架构进行了全面评估,用于预测电亲电性指数(ω),这是一个与分子反应性相关的关键量子化学描述符。我们对比了利用分子图连接性的2D模型(如GINE、GIN、attentive FP、GraphSAGE、GATv2和GCN)和结合了包括原子坐标、距离和角度在内的空间特征的3D模型(GemNet、SchNet和ALIGNN)。据我们所知,这项工作是首次直接使用GNN预测概念性DFT ω的研究。我们的结果表明,虽然3D GNN由于显式利用了分子几何信息,通常具有更高的准确性和一致性,但一些2D模型也达到了有竞争力的性能,特别是在3D结构数据不可用或成本较高的情况下,它们在高效和可扩展预测方面具有价值。在2D模型中,GINE的表现优于所有其他架构;而在3D模型中,ALIGNN的表现最佳,其次是SchNet和GemNet。总体而言,我们的研究为选择和应用适用于分子性质预测任务的GNN模型提供了坚实的基础,平衡了QM9数据集所代表的化学空间中的准确性和计算可行性。虽然本研究关注的是QM9中的小分子,但这些结论扩展到更大和化学上更加多样的系统需要进一步的研究。尽管如此,当前的结果表明,无需显式量子计算就可以准确预测非线性概念性DFT描述符,从而实现了可扩展的、数据驱动的反应性建模。

作者贡献

Sandeep Kumar:概念化、方法论、软件、数据管理、形式分析、撰写——原始草稿;Annika Bande:概念化、监督、资金获取、撰写——审稿与编辑。利益冲突

没有需要声明的利益冲突。

数据可用性

补充信息(SI)包括本工作的额外图表、表格和支持性分析。请参见DOI: https://doi.org/10.1039/d6cp00677a。用于创建、训练和分析模型的完整代码在https://github.com/sandeeplu/gnnepi上公开可用,同时还有从QM9中得到的电亲电性指数(ω)的派生数据集。

致谢

S. K. 和 A. B. 感谢Helmholtz-Zentrum Berlin (HZB) 和Leibniz University Hannover的ML小组成员们的宝贵讨论和反馈。作者还感谢Mr Martin Ulrich (HZB) 在GPU工作站的设置和配置方面提供的技术支持,这对本研究的计算方面至关重要。参考文献
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号