CTAGE：基于曲率且感知拓扑的图嵌入方法用于分子表示学习
机器学习
2024-01-19 v2 人工智能
定量方法
摘要
AI 驱动的药物设计在很大程度上依赖于分子性质的预测，这是一项复杂的任务。在当前方法中，用于训练深度神经网络模型的最常用特征表示基于 SMILES 和分子图。尽管这些方法简洁高效，但在捕捉复杂空间信息方面存在局限。近来，研究者认识到将分子结构的三维信息纳入模型的重要性。然而，捕捉空间信息需要在生成器中引入额外单元，带来额外的设计与计算成本。因此，有必要开发一种在保持图神经网络简洁与高效的同时能有效结合空间结构信息的分子性质预测方法。本工作中，我们提出一种名为 CTAGE 的嵌入方法，利用 跳离散 Ricci 曲率从分子图数据中提取结构信息。该方法在保持网络训练复杂度的同时有效整合了空间结构信息。实验结果表明，引入节点曲率显著提升了当前图神经网络框架的性能，验证了 跳节点曲率信息能有效反映分子结构与功能之间的关系。
引用
@article{arxiv.2307.13275,
title = {CTAGE: Curvature-Based Topology-Aware Graph Embedding for Learning Molecular Representations},
author = {Yili Chen and Zhengyu Li and Zheng Wan and Hui Yu and Xian Wei},
journal= {arXiv preprint arXiv:2307.13275},
year = {2024}
}