化学反应感知的分子表示学习
机器学习
2021-09-23 v2 化学物理
定量方法
摘要
分子表示学习（MRL）方法旨在将分子嵌入到实向量空间中。然而，现有的基于 SMILES（简化分子线性输入规范）或基于 GNN（图神经网络）的 MRL 方法，要么以 SMILES 字符串作为输入而难以编码分子结构信息，要么过度强调 GNN 架构的重要性却忽视其泛化能力。本文提出利用化学反应来辅助学习分子表示。我们方法的核心思想是在嵌入空间中保持分子相对于化学反应的等价性，即对于每一个化学方程，强制反应物嵌入之和与产物嵌入之和相等。该约束被证明能有效 1) 保持嵌入空间的良好组织性，以及 2) 提升分子嵌入的泛化能力。此外，我们的模型可使用任意 GNN 作为分子编码器，因而对 GNN 架构无关。实验结果表明，我们的方法在多种下游任务中取得了最先进的性能，例如相较于最佳基线方法，在化学反应预测中 Hit@1 绝对提升 17.4%，在分子性质预测中 AUC 绝对提升 2.3%，在图编辑距离预测中 RMSE 相对提升 18.5%。代码可在 https://github.com/hwwang55/MolR 获取。
引用
@article{arxiv.2109.09888,
title = {Chemical-Reaction-Aware Molecule Representation Learning},
author = {Hongwei Wang and Weijiang Li and Xiaomeng Jin and Kyunghyun Cho and Heng Ji and Jiawei Han and Martin D. Burke},
journal= {arXiv preprint arXiv:2109.09888},
year = {2021}
}