Chemprop: Machine Learning Package for Chemical Property Prediction

Chemprop: Machine Learning Package for Chemical Property Prediction

1. 本研究の学術的背景，研究課題の核心をなす学術的「問い」は何ですか？

• 答え：Deep Learningは、分子の性質を予測するための強力で頻繁に使用されるツールとなっており、専門家でなくても操作できるオープンソースで汎用的なソフトウェアの必要性がある。特に、 directed message-passing neural networks (D-MPNNs) は多様な物性予測タスクにおいて良好なパフォーマンスを示すため、注目されている。

1. 本研究の目的及び学術的独自性と創造性は何ですか？

• 答え：本研究では、D-MPNNのアーキテクチャを実装したソフトウェアの一つである Chemprop のアップデートバージョンに関するものである。このアップデートバージョンでは、複数の分子プロパティや反応、原子軌道/結合レベルの物性、光スペクトルのサポートなどを新たに実装し、不確実性の量子化や予測値の校正方法、事前学習や転移学習、改善されたハイパーパラメータの最適化など、さまざまな改良が施された。この新しいChempropの機能を利用して D-MPNNモデルをトレーニングし、MoleculeNet や SAMPL を用いた多様な物性予測データセットでベンチマークを行い、状態-of-the-art の性能を実現した。

1. 本研究の着想に至った経緯や、関連する国内外の研究動向と本研究の位置づけは？

• 答え：Deep Learningを用いた分子の性質予測のためにD-MPNNのアーキテクチャが注目を集めている中、Chempropが open-sourceな実装として確立され、今回のアップデート版においてより多くの機能が追加された。

1. 本研究で何をどのように、どこまで明らかにした？

• 答え：本研究では、D-MPNNアーキテクチャを実装したChempropソフトウェアのアップデート版に関するものである。Chempropの新しい機能には、複数の分子特性や反応、原子/結合レベルの特性、及び光スペクトルのサポートがある。また、不確定性の量子化や予測値の校正方法、事前学習や転移学習、改善されたハイパーパラメータの最適化、損失関数や原子/結合特徴に関するカスタマイズオプションなど、さまざまな拡張が施された。D-MPNNアーキテクチャを用いた Chemprop モデルを多様な物性予測データセットでベンチマーク評価し、状態-of-the-art の性能を実現した。

1. 本研究の有効性はどのように検証した？

• 答え：本研究では、アップデートされたChempropによって、多様な物性予測タスクにおいて、D-MPNNアーキテクチャを用いたモデルが状態-of-the-art の性能を発揮することが明らかにされた。