面向分子性质预测的组合层次图上的多层次自监督预训练

在分子图上的自监督预训练已成为分子性质预测的一种有前景的方法，然而现有大多数方法在单一结构粒度上操作，并将键信息视为辅助边属性，而非独立的语义层。在本工作中，我们提出了MolCHG，这是一个基于新型组合层次图的多层次自监督预训练框架，该图将分子结构组织为跨越三个语义层的四种节点类型。通过引入一个与原子图并行运行的键图，我们的架构将键级信息提升为独立演化的节点表示，使片段节点能够在同等基础上聚合原子级和键级语义。我们设计了三个层级特定的预训练目标：一个原子-键跨视图对比任务，用于对齐每个片段内的原子视图和键视图表示；一个片段级官能团预测任务，用于注入领域相关的化学知识；以及图级结构预测任务，用于编码全局分子拓扑。在九个MoleculeNet基准上的实验表明，MolCHG在七个数据集上，无论是分类还是回归任务，都取得了最佳性能，并在其余数据集上保持了与最强基线的竞争力。消融研究进一步证实，多层次监督信号是互补的，且每个组件都对整体性能有所贡献。