GoMS：用于分子性质预测的分子子结构图网络
机器学习
2025-12-16 v1
摘要
尽管图神经网络在分子性质预测中已展现出显著成功，但当前方法如等变子结构聚合网络（ESAN）将分子视为独立子结构的集合，忽略了这些组分之间的关键关系。我们提出了分子子结构图（GoMS），一种显式建模子结构之间相互作用和空间排列的新型架构。与ESAN的袋式表示不同，GoMS构建了一个图，其中节点代表子图，边捕捉它们的结构关系，保留了子结构在分子内如何连接和重叠的关键拓扑信息。通过在公共分子数据集上的广泛实验，我们证明GoMS优于ESAN和其他基线方法，对于包含超过100个原子的大分子尤其表现出显著提升。性能差距随分子尺寸增大而扩大，展示了GoMS在建模工业规模分子方面的有效性。我们的理论分析表明，GoMS能够区分具有相同子结构组成但不同空间排列的分子。我们的方法在涉及复杂分子的材料科学应用中展现出特殊前景，这些分子的性质源于多个功能单元之间的相互作用。通过捕捉袋式方法中丢失的子结构关系，GoMS代表了向可扩展且可解释的分子性质预测迈出的重要一步。
引用
@article{arxiv.2512.12489,
title = {GoMS: Graph of Molecule Substructure Network for Molecule Property Prediction},
author = {Shuhui Qu and Cheolwoo Park},
journal= {arXiv preprint arXiv:2512.12489},
year = {2025}
}