HiGNN：配备特征注意力机制用于分子性质预测的层次化信息图神经网络
机器学习
2022-08-31 v1 定量方法
摘要
阐明并准确预测分子的可药性和生物活性在药物设计与发现中起着关键作用，且仍是一项开放挑战。近年来，图神经网络（GNN）在基于图的分子性质预测方面取得了显著进展。然而，当前基于图的深度学习方法忽视了分子的层次信息以及特征通道之间的关系。在本研究中，我们提出了一种精心设计的层次化信息图神经网络框架（称为HiGNN），通过利用分子图与化学可合成的BRICS片段的协同表示学习来预测分子性质。此外，在HiGNN架构中首次设计了一个即插即用的特征注意力模块，用于在消息传递阶段后自适应地重新校准原子特征。大量实验表明，HiGNN在许多具有挑战性的药物发现相关基准数据集上达到了最先进的预测性能。此外，我们设计了一种分子-片段相似性机制，以在子图层面全面研究HiGNN模型的可解释性，表明HiGNN作为一种强大的深度学习工具可帮助化学家和药剂师识别分子的关键组分，从而设计具有所需性质或功能的更优分子。源代码公开于 https://github.com/idruglab/hignn。
引用
@article{arxiv.2208.13994,
title = {HiGNN: Hierarchical Informative Graph Neural Networks for Molecular Property Prediction Equipped with Feature-Wise Attention},
author = {Weimin Zhu and Yi Zhang and DuanCheng Zhao and Jianrong Xu and Ling Wang},
journal= {arXiv preprint arXiv:2208.13994},
year = {2022}
}