核心观点与关键数据
1. 3D 分子结构建模与等效神经网络
- 问题：如何有效建模复杂分子的 3D 空间结构，同时保留分子图信息并确保空间位置与笛卡尔坐标无关。
- 解决方案：采用等效神经网络，如旋转和平移等效的神经网络（Tensor Field Networks）、E(n) 等效图神经网络等，以及几何编码的消息传递方法（如 SchNet、PhysNet、DimNet）。
- 关键数据：文中提及多种等效神经网络模型及其在 3D 点云和分子图中的应用，但未提供具体实验结果数据。
2. 基于 3D 结构的蛋白质-配体结合亲和力预测
- 目标：通过预测结合亲和力加速药物筛选过程。
- 方法：提出结构感知交互图神经网络（SIGN），在 GNN 中建立局部极坐标系，保留角度和距离信息，并采用节点到边和边到节点的交互模式。
- 关键数据：在 PDBbind 数据集上，SIGN 在两个基准测试中表现最佳，优于 ML-LR、SVR、RF、CNN、Seq-GNN 和 Spa-GNN 等基线模型。
- 结论：3D 结构和分子间相互作用对于基于结构的蛋白质-配体结合亲和力预测至关重要，SIGN 模型有效整合了距离和角度信息。
3. 基于几何图对比学习的分子性质预测
- 问题：分子图数据标签稀缺，传统 GNN 模型未充分利用分子图的几何特性。
- 方法：提出几何图对比学习框架（GeomGCL），构建双视图分子图（2D 和 3D），采用几何编码和自适应几何消息传递方案，并进行 2D-3D 图对比优化。
- 关键数据：在 MoleculeNet 的七个基准数据集上，GeomGCL 优于 Message Passing 方法、几何 GNN 和 GCL 方法，表现最佳。
- 结论：双视图几何学习和 2D-3D 几何对比策略有效提升了分子表示学习，GeomGCL 在下游性质预测任务中表现优异。
4. 几何增强的分子表示学习
- 方法：提出几何增强的分子表示学习方法，构建原子-键图、键角图和 3D 空间结构图，并融合几何信息进行表示学习。
- 关键数据：该方法在 Nature Machine Intelligence 2022 上发表，但未提供具体实验结果数据。
- 结论：几何增强的分子表示学习方法能有效提升分子性质预测性能。
研究结论
- 3D 分子结构建模对于药物发现和分子性质预测至关重要，等效神经网络和几何编码方法能有效解决空间信息保留问题。
- 结构感知交互图神经网络（SIGN）在蛋白质-配体结合亲和力预测中表现最佳，证明了 3D 结构和相互作用的重要性。
- 几何图对比学习框架（GeomGCL）通过双视图几何学习和 2D-3D 对比优化，有效提升了分子表示学习性能，在多个基准数据集上取得最佳结果。
- 几何增强的分子表示学习方法为分子性质预测提供了新的思路，但需进一步验证其实验效果。
