面向分子性质预测的自适应结构感知专家模型
机器学习
2025-04-09 v1
摘要
分子性质预测是药物发现和毒性评估等应用中的关键任务。虽然图神经网络（GNN）通过将分子建模为分子图显示出有前景的效果，但其数据驱动学习方式在数据不平衡和多样化分子结构存在时限制了泛化能力。现有方法常忽视不同分子亚结构对性质贡献的差异，统一对待。为此，我们提出ASE-Mol，一种基于GNN的新型框架，采用混合专家（MoE）方法进行分子性质预测。ASE-Mol 融合BRICS分解和显著亚结构感知，动态识别正向与负向亚结构。通过集成MoE架构，减少负性motif的负面影响，同时提高对正性motif的适应性。在八个基准数据集上的实验结果表明，ASE-Mol 实现了最先进的性能，准确率和可解释性均显著提升。
引用
@article{arxiv.2504.05844,
title = {Adaptive Substructure-Aware Expert Model for Molecular Property Prediction},
author = {Tianyi Jiang and Zeyu Wang and Shanqing Yu and Qi Xuan},
journal= {arXiv preprint arXiv:2504.05844},
year = {2025}
}