Clasificación Molecular con Redes Neuronales Convolucionales de Grafo: Explorando el Conjunto de Datos MUTAG para la Predicción de Mutagenicidad

Este documento presenta la implementación de una Red Neuronal Convolucional de Grafo (GCN) para la clasificación de compuestos químicos utilizando el conjunto de datos MUTAG, que consiste en 188 compuestos nitroaromáticos etiquetados según su mutagenicidad. El modelo GCN aprovecha la estructura gráfica inherente de los datos moleculares para capturar y aprender de las relaciones entre átomos y enlaces, representados como nodos y aristas, respectivamente. Al utilizar tres capas convolucionales de grafo seguidas de una capa de agrupación media global, el modelo agrega eficazmente las características de los nodos para generar representaciones significativas a nivel de grafo. El modelo fue entrenado utilizando el optimizador Adam con una tasa de aprendizaje de 0.01, y se empleó la pérdida de entropía cruzada para supervisar la tarea de clasificación. Los resultados demuestran la eficacia de los GCN en tareas de clasificación de grafos, con un 79.33% de precisión en el entrenamiento y un 76.32% de precisión en la prueba. Este estudio destaca el potencial de los GCN en quimioinformática y otros dominios donde los datos estructurados en grafos son predominantes, allanando el camino para una mayor exploración y aplicación de redes neuronales gráficas avanzadas en tareas similares.