DGL-LifeSci：生命科学领域图深度学习开源工具包
机器学习
2021-11-30 v1 定量方法
摘要
图神经网络（GNNs）是一类面向图数据的深度学习方法。它们在化学和生物学中具有广泛应用，例如分子性质预测、反应预测和药物-靶标相互作用预测。尽管受到关注，基于 GNN 的建模具有挑战性，因为它除了编程和深度学习外还需要图数据预处理与建模。在此我们提出 DGL-LifeSci，一个用于生命科学领域图深度学习的开源包。DGL-LifeSci 是基于 RDKit、PyTorch 和 Deep Graph Library（DGL）的 Python 工具包。DGL-LifeSci 允许在自定义数据集上进行基于 GNN 的建模，用于分子性质预测、反应预测和分子生成。通过其命令行接口，用户无需任何编程和深度学习背景即可进行建模。我们使用标准基准 MoleculeNet、USPTO 和 ZINC 测试了命令行接口。与先前的实现相比，DGL-LifeSci 实现了最高 6 倍的加速。为建模灵活性，DGL-LifeSci 为建模流程的各个阶段提供了优化良好的模块。此外，DGL-LifeSci 提供了预训练模型，用于复现测试实验结果以及无需训练即可应用模型。代码以 Apache-2.0 许可证分发，并可自由访问 https://github.com/awslabs/dgl-lifesci。
引用
@article{arxiv.2106.14232,
title = {DGL-LifeSci: An Open-Source Toolkit for Deep Learning on Graphs in Life Science},
author = {Mufei Li and Jinjing Zhou and Jiajing Hu and Wenxuan Fan and Yangkang Zhang and Yaxin Gu and George Karypis},
journal= {arXiv preprint arXiv:2106.14232},
year = {2021}
}