用于分子性质预测的图多相似性学习
机器学习
2024-02-05 v2 计算工程、金融与科学
摘要
提升准确的分子性质预测依赖于有效且高效的表示学习。纳入由分子间的多相似性（自相似性和相对相似性）所表征的多样化分子关系至关重要。然而，当前的分子表示学习方法在探索多相似性方面存在不足，且常常低估分子间关系的复杂性。此外，以往的多相似性方法需要指定正对和负对，以便为不同的相对相似性赋予不同的预定义权重，这可能会引入潜在偏差。在本工作中，我们引入了用于分子性质预测的图多相似性学习 (GraphMSL) 框架，以及一种无需定义正负对来表述广义多相似性度量的新方法。在所考虑的每个化学模态空间（例如，分子描绘图像、指纹、NMR 和 SMILES）中，我们首先定义一个自相似性度量（即锚分子与另一分子之间的相似性），然后通过配对加权函数将其转化为该锚分子的广义多相似性度量。GraphMSL 在 MoleculeNet 数据集上验证了多相似性度量的有效性。此外，所有模态的这些度量被整合为一个多模态多相似性度量，展示了提升性能的潜力。而且，通过改变融合函数，模型的关注点可以被重定向或定制。最后但同样重要的是，通过对所学表示进行事后分析，GraphMSL 在药物发现评估中证明了其有效性。
引用
@article{arxiv.2401.17615,
title = {Graph Multi-Similarity Learning for Molecular Property Prediction},
author = {Hao Xu and Zhengyang Zhou and Pengyu Hong},
journal= {arXiv preprint arXiv:2401.17615},
year = {2024}
}