Chemprop: программный пакет машинного обучения для прогнозирования химических свойств

Глубокое обучение стало мощным и широко применяемым инструментом прогнозирования свойств молекул, что обусловило потребность в универсальном программном обеспечении с открытым исходным кодом, доступном пользователям без специальной подготовки. Среди существующих подходов направленные нейронные сети с передачей сообщений (D-MPNN) показали высокую эффективность в решении различных задач прогнозирования свойств. Пакет Chemprop реализует архитектуру D-MPNN и обеспечивает простой, удобный и быстрый доступ к прогнозированию свойств молекул с помощью машинного обучения. По сравнению с первоначальной версией в Chemprop добавлены многочисленные функции: поддержка свойств, связанных с несколькими молекулами, реакций, свойств на уровне атомов и связей, а также спектров. Кроме того, реализованы различные методы количественной оценки неопределённости и калибровки с соответствующими метриками, сценарии предварительного обучения и переноса обучения, усовершенствована оптимизация гиперпараметров и добавлены другие возможности настройки, включая функции потерь и признаки атомов и связей. Мы сравнили модели D-MPNN, обученные с помощью Chemprop, на различных наборах данных для прогнозирования свойств, в том числе MoleculeNet и SAMPL, используя новые функции для работы с реакциями, свойствами на уровне атомов и спектрами. Для прогнозирования коэффициентов распределения вода—октан, высот барьеров реакций, атомных парциальных зарядов и спектров поглощения модели показали результаты, соответствующие лучшим современным достижениям. Chemprop позволяет сразу обучать модели D-MPNN для широкого круга задач с помощью быстрого, удобного и свободно доступного программного обеспечения.