MolGA：基于预训练二维图编码器的分子图适应
机器学习
2025-10-09 v1
摘要
分子图表示学习在化学和生物医学研究中广泛应用。虽然预训练的二维图编码器已显示出强大的性能，但忽略了与亚分子实例（原子和键）相关的丰富分子领域知识。虽然分子预训练方法将此类知识纳入其预训练目标中，但通常采用针对特定类型知识设计的方案，缺乏整合分子中多样化知识的灵活性。因此，在下游适应期间重用广泛可用且经验证的预训练二维编码器，同时融合分子领域知识，提供了更实用的替代方案。本文提出MolGA，通过灵活融合多样化的分子领域知识来适应预训练的二维图编码器以适应下游分子应用。首先，我们提出一种分子对齐策略，以桥接预训练的拓扑表示与领域知识表示之间的差距。其次，我们引入条件适应机制，以生成特定于实例的标记，使下游任务能够对分子领域知识进行精细集成。最后，我们在十一个公共数据集上进行了广泛实验，证明了MolGA的有效性。
引用
@article{arxiv.2510.07289,
title = {MolGA: Molecular Graph Adaptation with Pre-trained 2D Graph Encoder},
author = {Xingtong Yu and Chang Zhou and Xinming Zhang and Yuan Fang},
journal= {arXiv preprint arXiv:2510.07289},
year = {2025}
}
备注
Under review