MOL-Mamba：基于结构与电子信息增强的分子表示学习
机器学习
2025-02-07 v2 化学物理
生物大分子
摘要
分子表示学习在诸多下游任务中发挥着关键作用，如分子性质预测和药物设计。为了准确地表示分子，图神经网络（GNN）和图变换器（GT）在自监督预训练领域展现出潜力。然而，现有方法常常忽略分子结构与电子信息之间的关系，以及分子内部的语义推理。这种对图语义基本化学知识的疏漏导致分子表示不完整，缺乏结构和电子数据的集成。为此，我们提出MOL-Mamba框架，通过结合结构与电子洞察来增强分子表示。MOL-Mamba由用于层次结构推理的原子与片段Mamba图（Atom & Fragment Mamba-Graph, MG）和用于集成分子结构与电子关联学习的Mamba变换器（Mamba-Transformer, MT）构成。此外，我们提出了结构分布协作训练和E语义融合训练框架，以进一步提升分子表示学习。大量实验表明，MOL-Mamba在十一个化学生物分子数据集上超越了最先进的基线方法。
引用
@article{arxiv.2412.16483,
title = {MOL-Mamba: Enhancing Molecular Representation with Structural & Electronic Insights},
author = {Jingjing Hu and Dan Guo and Zhan Si and Deguang Liu and Yunfeng Diao and Jing Zhang and Jinxing Zhou and Meng Wang},
journal= {arXiv preprint arXiv:2412.16483},
year = {2025}
}
备注
Accepted by AAAI2025