FunQG：基于商图的分子表示学习
机器学习
2023-05-19 v2 人工智能
生物大分子
摘要
学习具表达力的分子表示对促进分子性质的准确预测至关重要。尽管图神经网络（GNNs）在分子表示学习中取得显著进展，它们普遍面临邻居爆炸、欠可达、过平滑与过挤压等局限。此外，由于大规模参数数量，GNNs 通常计算成本高。此类局限在面对相对大尺寸图或使用更深 GNN 模型架构时往往出现或加剧。克服这些问题的一种思路是将分子图简化为小而丰富且具信息量的图，从而更高效且更易训练 GNNs。为此，我们提出一种新颖的分子图粗化框架 FunQG，利用作为决定分子性质的重要构建块的功能基团，基于称为商图（Quotient Graph）的图论概念。通过实验，我们展示所得信息图远小于分子图，因而是训练 GNNs 的良好候选。我们将 FunQG 应用于流行分子性质预测基准，并将若干流行基线 GNNs 在所得数据集上的性能与若干 SOTA 基线在原始数据集上的性能比较。实验表明，该方法在各数据集上显著优于先前基线，且大幅减少参数数量与计算成本。因此，FunQG 可用作解决分子表示学习问题的简单、高性价比且鲁棒的方法。
引用
@article{arxiv.2207.08597,
title = {FunQG: Molecular Representation Learning Via Quotient Graphs},
author = {Hossein Hajiabolhassan and Zahra Taheri and Ali Hojatnia and Yavar Taheri Yeganeh},
journal= {arXiv preprint arXiv:2207.08597},
year = {2023}
}