基于化学元素知识图的分子对比学习
机器学习
2022-03-14 v2 人工智能
定量方法
摘要
分子表示学习有助于分子性质预测和药物设计等多个下游任务。为了恰当地表示分子，图对比学习是一种有前景的范式，因为它利用自监督信号且不需要人工标注。然而，先前的工作未能将基础领域知识纳入图语义中，从而忽略了具有共同属性但未被化学键直接连接的原子之间的关联。为解决这些问题，我们构建了一个化学元素知识图（KG）来总结元素间的微观关联，并提出了一种新颖的知识增强对比学习（KCL）框架用于分子表示学习。KCL 框架由三个模块组成。第一个模块，知识引导的图增强，基于化学元素 KG 对原始分子图进行增强。第二个模块，知识感知的图表示，使用通用图编码器提取原始分子图的表示，并使用知识感知消息传递神经网络（KMPNN）来编码增强分子图中的复杂信息。最后一个模块是对比目标，我们最大化分子图这两种视图之间的一致性。大量实验表明，在八个分子数据集上 KCL 优于最先进的基线。可视化实验恰当地解释了 KCL 从增强分子图中的原子和属性学到了什么。我们的代码和数据可在 https://github.com/ZJU-Fangyin/KCL 获取。
引用
@article{arxiv.2112.00544,
title = {Molecular Contrastive Learning with Chemical Element Knowledge Graph},
author = {Yin Fang and Qiang Zhang and Haihong Yang and Xiang Zhuang and Shumin Deng and Wen Zhang and Ming Qin and Zhuo Chen and Xiaohui Fan and Huajun Chen},
journal= {arXiv preprint arXiv:2112.00544},
year = {2022}
}
备注
Accepted in AAAI 2022 Main track