M-GLC：面向小样本分子性质预测的基序驱动全局-局部上下文图
机器学习
2025-10-27 v1 人工智能
摘要
分子性质预测是药物发现和材料科学的基石，然而传统的深度学习方法依赖于通常难以获得的大规模标注数据集。小样本分子性质预测通过上下文图引入关系归纳偏置来应对数据稀缺问题，该图将分子节点与性质节点相连，但这种分子-性质图提供的结构指导有限。我们提出了一种全面的解决方案：面向小样本分子性质预测的基序驱动全局-局部上下文图，它在全局和局部层面丰富了上下文信息。在全局层面，引入代表共享子结构（如环或官能团）的具有化学意义的基序节点，形成一个全局的三部异构图，建立基序-分子-性质连接，从而捕获长程组成模式并实现具有共同基序的分子间的知识迁移。在局部层面，我们为分子-性质对中的每个节点构建子图并分别编码，以将模型注意力集中在信息量最大的邻近分子和基序上。在五个标准小样本分子性质预测基准上的实验表明，我们的框架持续优于最先进的方法。这些结果强调了整合全局基序知识与细粒度局部上下文对于推进鲁棒的小样本分子性质预测的有效性。
引用
@article{arxiv.2510.21088,
title = {M-GLC: Motif-Driven Global-Local Context Graphs for Few-shot Molecular Property Prediction},
author = {Xiangyang Xu and Hongyang Gao},
journal= {arXiv preprint arXiv:2510.21088},
year = {2025}
}