ChemHGNN：用于反应虚拟筛选与发现的层级超图神经网络
机器学习
2025-06-16 v1
摘要
反应虚拟筛选与发现是化学与材料科学中的基本挑战，传统图神经网络（GNN）难以对多反应物交互进行建模。在本工作中，我们提出了 ChemHGNN，一种有效捕捉反应网络中高阶关系的超图神经网络（HGNN）框架。与需要为多反应物反应构建完全图的 GNN 不同，ChemHGNN 通过超边自然地对多反应物反应进行建模，从而获得更具表达力的反应表示。为应对组合爆炸、模型坍塌与化学无效负样本等关键挑战，我们引入了反应中心感知负采样策略（RCNS）以及结合分子、反应与超图层级特征的层级嵌入方法。在 USPTO 数据集上的实验表明，ChemHGNN 显著优于 HGNN 与 GNN 基线，特别是在大规模设置下，同时保持了可解释性与化学合理性。我们的工作确立了 HGNN 作为 GNN 在反应虚拟筛选与发现中的优越替代方案，为加速反应发现提供了具备化学知识的框架。
引用
@article{arxiv.2506.11041,
title = {ChemHGNN: A Hierarchical Hypergraph Neural Network for Reaction Virtual Screening and Discovery},
author = {Xiaobao Huang and Yihong Ma and Anjali Gurajapu and Jules Schleinitz and Zhichun Guo and Sarah E. Reisman and Nitesh V. Chawla},
journal= {arXiv preprint arXiv:2506.11041},
year = {2025}
}