面向分子性质预测的对比双互动图神经网络
机器学习
2024-09-26 v1 人工智能
摘要
分子性质预测是AI驱动药物发现和分子表征学习的关键组成部分。尽管近期取得的进展, 现有方法仍面临泛化能力有限、标签数据不足等问题，尤其是针对特定分子结构的任务。为此，我们引入了 DIG-Mol，一种新的自监督图神经网络框架，用于分子性质预测。该架构利用对比学习的强大功能，结合双重互动机制和独特的分子图增强策略。DIG-Mol 将动量蒸馏网络与两个相互关联的网络集成，以高效地改进分子表征。该框架通过最小化对比损失，能够提取分子结构和更高阶语义的关键信息。我们通过在各种分子性质预测任务中的广泛实验评估，确立了 DIG-Mol 的最新性能。除了在少数学习场景中表现出卓越的可迁移性外，我们的可视化结果突显了 DIG-Mol 的增强可解释性和表征能力。这些发现确认了我们方法在克服传统方法所面临挑战方面的有效性，标志着分子性质预测的重大进展。
引用
@article{arxiv.2405.02628,
title = {Contrastive Dual-Interaction Graph Neural Network for Molecular Property Prediction},
author = {Zexing Zhao and Guangsi Shi and Xiaopeng Wu and Ruohua Ren and Xiaojun Gao and Fuyi Li},
journal= {arXiv preprint arXiv:2405.02628},
year = {2024}
}