知识感知的对比分子图学习

在分子表示学习中利用包括指纹和官能团在内的领域知识，对于化学性质预测和药物发现至关重要。当隐式地建模图结构与分子性质之间的关系时，现有工作由于原子词表小得多且高频原子高度频繁，难以捕捉结构或性质变化以及复杂结构。本文提出对比知识感知图神经网络（CKGNN）用于自监督分子表示学习，将领域知识融合进分子图表示。我们在对比学习框架下通过知识感知分子编码器显式编码领域知识，确保生成的分子嵌入携带化学领域知识，从而区分化学式相似但功能不同的分子。在8个公开数据集上的大量实验证明了我们模型的有效性，相较强基线平均绝对提升6%。消融实验与进一步研究也验证了两全其美：将化学领域知识融入自监督学习。