跨域分子关系学习：利用化学结构-活性分析
机器学习
2026-05-25 v2 人工智能
摘要
近期进展将分子拓扑和视觉模态集成到分子表示中，为精确的分子关系学习（Molecular Relational Learning, MRL）开辟了新途径。现有的MRL方法聚焦于领域内建模，其内在的领域封闭效应限制了在分子科学中适用，尤其是在阐明跨域相互作用机制方面。因此，跨域分子关系学习的迫切需求日益增长。凭借结构-活性分析，我们提出了一种基于子结构拓扑差异的领域对抗训练网络，带结构-语义转移偏差（DisTrans），用于优化跨域自适应表示以适用于分子结构和视觉图像。1）我们基于领域间子结构拓扑差异采用梯度反转策略，以学习分子结构的领域依赖性。该策略引导模型适应目标领域中的结构相邻模式，生成领域可分离的结构表示。2）我们应用跨域表示引导机制以对齐源域和目标域中的功能基团语义信息，学习跨域一致性信息。在两种典型跨域策略的实验中，我们的DisTrans超过了16个基线方法，即使在显著的领域差异下也表现出色。
引用
@article{arxiv.2605.16799,
title = {Cross-Domain Molecular Relational Learning: Leveraging Chemical Structure-Activity Analysis},
author = {Peiliang Zhang and Jingling Yuan and Shiqing Wu and Mengqing Hu and Chao Che and Yongjun Zhu and Lin Li},
journal= {arXiv preprint arXiv:2605.16799},
year = {2026}
}
备注
Accepted by SIGKDD 2026 Research Track