用于分子表示学习的原子与子图感知双边聚合
机器学习
2023-05-23 v1 人工智能
定量方法
摘要
分子表示学习是预测分子性质的关键任务。分子常被建模为图，其中原子和化学键分别表示为节点和边，图神经网络（GNNs）已常用于预测原子相关性质，如反应活性和溶解度。然而，官能团（子图）与分子的某些化学性质（如药效和代谢性质）密切相关，这些性质不能仅由单个原子决定。本文提出一种称为原子与子图感知双边聚合（ASBA）的分子表示学习新模型，通过融合两类信息解决了先前原子级与子图级模型的局限。ASBA 由两条分支组成，一条处理原子级信息，另一条处理子图级信息。考虑到现有原子级 GNN 无法恰当提取不变子图特征，我们为子图级分支提出一种分解-聚合 GNN 架构。此外，我们为 ASBA 提出协同的节点级与图级自监督学习策略以提升其泛化能力。我们的方法为分子性质预测提供了更全面的表示学习方式，在药物和材料发现应用中具有广泛潜力。大量实验证明了方法的有效性。
引用
@article{arxiv.2305.12618,
title = {Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning},
author = {Jiahao Chen and Yurou Liu and Jiangmeng Li and Bing Su and Jirong Wen},
journal= {arXiv preprint arXiv:2305.12618},
year = {2023}
}