化学反応における対称性を考慮した原子マッピングの学習：深いグラフマッチングによるアプローチ

反応物と生成物の原子間の対応を確立する正確な原子マッピングは、化学反応を分析する上で重要なステップです。本論文では、原子マッピングの問題を深いグラフマッチングタスクとして定式化する新しいエンドツーエンドアプローチを提案します。我々の提案するモデルAMNet（原子マッチングネットワーク）は、分子グラフ表現を利用し、グラフニューラルネットワークを用いて分子の複雑な構造特性を捉えるためのさまざまな原子および結合の特徴を活用し、精密な原子対応の予測を確保します。特に、AMNetは分子の対称性を考慮に入れ、精度を向上させるとともに計算の複雑さを同時に軽減します。対称性特定のためのヴァイスファイラー・レーマン同型性検査の統合により、モデルの予測が洗練されます。さらに、我々のモデルは化学反応内の全原子セットをマッピングし、反応内の主要分子にのみ焦点を当てるのではなく包括的なアプローチを提供します。我々は、AMNetの性能をUSPTO反応データセットのサブセットで評価し、分子の対称性特定の影響を評価し、AMNetの性能に対する特徴選択の影響を理解し、最先端の手法との性能を比較するなど、さまざまなタスクに取り組みました。結果は、マッピングされた原子に対して平均97.3%の精度を示し、正しくマッピングされた原子が上位10の予測原子内にある場合、99.7%の反応が正しくマッピングされました。科学的貢献本論文は、構造特性を効果的に捉えるために分子グラフ表現を利用したエンドツーエンドの深いグラフマッチングモデルを原子マッピングのために提案します。ヴァイスファイラー・レーマン検査による対称性検出の統合により精度を向上させ、可能なマッピングの数を減少させ、効率を改善します。従来の方法とは異なり、主な成分のみならず反応全体をマッピングし、包括的な視点を提供します。また、効率的なグラフマッチング技術を統合することで計算の複雑さを軽減し、原子マッピングをより実現可能にします。