ترجمه فارسی مقاله پیشرفت نمایش‌های ماشین مولکولی (آموخته‌شده) با گراف‌های مولکولی القا شده با استریوالکترونیک

چکیده

Molecular representation is a foundational element in our understanding of the physical world. Its importance ranges from the fundamentals of chemical reactions to the design of new therapies and materials. Previous molecular machine learning models have employed strings, fingerprints, global features, and simple molecular graphs that are inherently information-sparse representations. However, as the complexity of prediction tasks increases, the molecular representation needs to encode higher fidelity information. This work introduces a novel approach to infusing quantum-chemical-rich information into molecular graphs via stereoelectronic effects. We show that the explicit addition of stereoelectronic interactions significantly improves the performance of molecular machine learning models. Furthermore, stereoelectronics-infused representations can be learned and deployed with a tailored double graph neural network workflow, enabling its application to any downstream molecular machine learning task. Finally, we show that the learned representations allow for facile stereoelectronic evaluation of previously intractable systems, such as entire proteins, opening new avenues of molecular design.

چکیده به فارسی (ترجمه ماشینی)

بازنمایی مولکولی یک عنصر اساسی در درک ما از دنیای فیزیکی است.اهمیت آن از اصول واکنشهای شیمیایی گرفته تا طراحی روشهای درمانی و مواد جدید است.مدل های قبلی یادگیری ماشین مولکولی از رشته ها ، اثر انگشت ، ویژگی های جهانی و نمودارهای مولکولی ساده استفاده کرده اند که ذاتاً بازنمایی های پیچیده اطلاعات هستند.با این حال ، با افزایش پیچیدگی وظایف پیش بینی ، بازنمایی مولکولی نیاز به رمزگذاری اطلاعات وفاداری بالاتر دارد.این کار یک رویکرد جدید برای تزریق اطلاعات غنی از کوانتومی و شیمیایی به نمودارهای مولکولی از طریق اثرات استریوالکترونیک ارائه می دهد.ما نشان می دهیم که افزودن صریح از تعامل استریوالکترونیک به طور قابل توجهی عملکرد مدلهای یادگیری ماشین مولکولی را بهبود می بخشد.علاوه بر این ، بازنمایی های تزریق شده با استریوالکترونیک را می توان با یک گردش کار شبکه عصبی دوتایی متناسب آموخته و مستقر کرد ، و این امکان را برای هر کار یادگیری ماشین مولکولی پایین دست فراهم می کند.سرانجام ، ما نشان می دهیم که بازنمایی های آموخته شده امکان ارزیابی استریوالکترونیک آسان از سیستم های قبلاً غیرقابل تحمل ، مانند کل پروتئین ها ، باز کردن راه های جدید طراحی مولکولی را فراهم می کند.