La prédiction des propriétés moléculaires revêt une importance significative dans les domaines de la chimie computationnelle et de la découverte de médicaments. Les paradigmes de modélisation actuels utilisés pour la représentation moléculaire reposent principalement sur des formats moléculaires 1D ou 2D, qui ne peuvent pas distinguer les stéréoisomères communs, en particulier les isomères conformationnels et chiraux ayant les mêmes liaisons mais des configurations spatiales différentes. De plus, un paradigme de représentation moléculaire unique limite la polyvalence et l'adaptabilité des modèles dans divers modes. Pour relever ces défis, nous proposons un Réseau de Fusion de Représentation Multi-Graphe (MGRFN) qui utilise un Réseau d'Attention Graphique et SphereNet pour extraire respectivement des caractéristiques chimiques 2D et des informations géométriques 3D, et concevons un module de fusion bilinéaire pour atteindre une intégration efficace des représentations multimodales. Les résultats expérimentaux sur les bases de données QM9, MD17 et deux ensembles de données moléculaires chirales démontrent la performance supérieure de MGRFN dans la prédiction des propriétés chimiques quantiques moléculaires et de diverses propriétés conformationnelles. De plus, la visualisation des représentations moléculaires et des poids d'attention montre que MGRFN peut distinguer les propriétés physico-chimiques de différentes molécules et capturer des sous-structures liées aux molécules, ce qui améliore encore notre compréhension de ses performances.
Shu et al. (Mercredi,) ont étudié cette question.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: