一种轻量级的图神经网络,用于预测31P核磁共振信号

《Journal of Cheminformatics》:A light-weight Graph Neural Network for the prediction of 31P Nuclear Magnetic Resonance signals

【字体: 大 中 小 】 时间:2026年03月19日 来源:Journal of Cheminformatics 5.7

编辑推荐:

  本文提出基于Metalayer框架的轻量级图神经网络(GNN),在Ilm-NMR-P31数据集上将31P NMR化学位移预测的MAE提升至8.88 ppm,并通过训练集规模变化和对比多个SOTA模型,构建了标准化的性能评估体系。利用GNNExplainer和特征消融技术,揭示了模型对分子亚结构的依赖关系,并验证其自主发现基团屏蔽效应(如β去屏蔽和γ屏蔽效应)的物理合理性,同时超越传统计算化学方法HOSE和DFT基线。

  

摘要

图神经网络(GNNs)是预测核磁共振(NMR)光谱中化学位移的强大工具。在本文中,我们通过提出一种基于Metalayer框架的轻量级GNN,将Ilm-NMR-P31数据集上31P位移预测的均方绝对误差(MAE)从11.4 ppm改进到了8.88 ppm。此外,我们分析了模型性能与训练数据集大小之间的关系,并将我们的模型与不同的先进模型进行了比较。最后,我们展示了如何根据分子结构来解释和可视化GNN的预测结果。利用GNNExplainer,我们分析了预测效果最好和最差的分子,并进行了特征消融实验,以评估模型对特定输入特征的依赖性。此外,我们还通过提取学习到的取代基效应来验证模型的物理合理性:GNN自主重新发现了既定的经验规则,准确再现了中性磷原子的\(\beta\)-去屏蔽和\(\gamma\)-屏蔽增量。最后,我们证明了SDGNN的性能优于标准的真空DFT计算和HOSE代码基线。

科学贡献:基于Metalayer框架提出的轻量级GNN改进了现有的31P NMR位移预测方法。通过系统地改变训练集的大小,并与多个先进模型进行基准测试,我们提供了之前缺乏的标准化性能比较。利用GNNExplainer和有针对性的特征消融实验,我们将模型的预测结果与特定的分子亚结构和输入特征联系起来。通过定量验证模型学习了诸如取代基增量等基本物理趋势,并识别出具体的误差来源,我们提供了超越以往黑盒方法的化学可解释性和验证性。

图神经网络(GNNs)是预测核磁共振(NMR)光谱中化学位移的强大工具。在本文中,我们通过提出一种基于Metalayer框架的轻量级GNN,将Ilm-NMR-P31数据集上31P位移预测的均方绝对误差(MAE)从11.4 ppm改进到了8.88 ppm。此外,我们分析了模型性能与训练数据集大小之间的关系,并将我们的模型与不同的先进模型进行了比较。最后,我们展示了如何根据分子结构来解释和可视化GNN的预测结果。利用GNNExplainer,我们分析了预测效果最好和最差的分子,并进行了特征消融实验,以评估模型对特定输入特征的依赖性。此外,我们还通过提取学习到的取代基效应来验证模型的物理合理性:GNN自主重新发现了既定的经验规则,准确再现了中性磷原子的\(\beta\)-去屏蔽和\(\gamma\)-屏蔽增量。最后,我们证明了SDGNN的性能优于标准的真空DFT计算和HOSE代码基线。

科学贡献:基于Metalayer框架提出的轻量级GNN改进了现有的31P NMR位移预测方法。通过系统地改变训练集的大小,并与多个先进模型进行基准测试,我们提供了之前缺乏的标准化性能比较。利用GNNExplainer和有针对性的特征消融实验,我们将模型的预测结果与特定的分子亚结构和输入特征联系起来。通过定量验证模型学习了诸如取代基增量等基本物理趋势,并识别出具体的误差来源,我们提供了超越以往黑盒方法的化学可解释性和验证性。

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