过去的2021年图神经网络头部应用5大领域(4)

DeepMind的研究人员还应用GNN来模拟复杂粒子系统（例如水或沙子）的动力学。通过在每个步骤中预测每个粒子的相对运动，可以合理地重建整个系统的动力学，并进一步了解有关控制运动的基本定律。例如，这用于理解玻璃化转变，这是固态理论中最有趣的未解决问题之一。使用GNN不仅可以模拟过渡过程中的动力学，还可以更好地理解粒子如何根据距离和时间相互影响。

此外，位于美国的物理实验室Fermilab致力于将GNN转移到CERN的大型强子对撞机（LHC）进行生产。目标是处理数百万个图像并选择与发现新粒子有关的图像。他们的任务是在FPGA上实现GNN，并将它们与数据采集处理器集成在一起，这将允许在全球范围内远程运行GNN。有关GNN在粒子物理学中的更多应用，请查看此最新调查：https://arxiv.org/abs/2007.13681

药物发现

凭借数十亿美元的研发和激烈的竞争，制药公司在激烈地寻找药物开发的新范例。在生物学中，图可以表示各种规模的相互作用。在分子水平上，边缘可以是分子中原子之间的键或蛋白质中氨基酸残基之间的相互作用。在更大的范围内，图形可以表示更复杂的结构（例如蛋白质，mRNA或代谢物）之间的相互作用。根据特定的抽象级别，这些图可用于目标识别，分子特性预测，高通量筛选，新型药物设计，蛋白质工程和药物再利用。

在GNN的不同应用中发现药物的时间表

也许，使用GNN进行药物发现的最有希望的结果之一是麻省理工学院的研究人员及其合作者发表在Cell（2020）上。在这项工作中，训练了一个名为Chemprop的深层GNN模型，以预测分子是否具有抗生素特性：对细菌大肠杆菌的生长抑制作用。在仅使用FDA批准的药物库中的约2500个分子对其进行训练后，Chemprop就被应用于更大的数据集，包括包含分子Halicin的Drug Repurposed Hub，该名称从“ 2001：太空漫游”电影中的HAL 9000重命名。

值得注意的是，以前仅对Halicin分子进行过研究，因为其结构与已知的抗生素相差很大。但是，实验室的体内和体外临床实验表明，Halicin是一种广谱抗生素。针对强大的NN模型进行的广泛基准测试凸显了在Halicin的发现中使用GNN学习的功能的重要性。除了这项工作的实用性之外，Chemprop的体系结构还应引起更多关注：与许多GNN模型不同，Chemprop具有5层和1600个隐藏维，远远超过了用于此类任务的典型GNN参数。希望这只是即将到来的人工智能新医学中为数不多的发现之一。有关此主题的更多结果，请查看最近的调查（https://arxiv.org/abs/2012.05716）和博客文章研究了药物发现领域中更多的GNN应用。