神经原子：通过高效通信通道在分子图中传播长程相互作用
机器学习
2024-04-02 v3 定量方法
摘要
图神经网络（GNN）已广泛采用于基于分子图的 drug discovery。然而，当前 GNN 主要擅长利用短程相互作用（SRI），却难以捕捉长程相互作用（LRI），二者对决定分子性质都至关重要。为解决此问题，我们提出一种方法，通过隐式投影分子原子，将原子组的集体信息抽象为少量神经原子（Neural Atoms）。具体而言，我们显式地在神经原子间交换信息，并将其投影回原子表示作为增强。借助该机制，神经原子在远端节点间建立通信通道，将任意节点对的交互范围有效缩减为单跳。为从物理视角审视我们的方法，我们揭示了其与传统的 LRI 计算方法 Ewald Summation 的联系。神经原子可通过近似分子的潜在 LRI 来增强 GNN 捕捉 LRI 的能力。我们在四个长程图基准上进行了广泛实验，涵盖分子图上的图级与链接级任务。我们在 2D 与 3D 场景下分别取得了最高 27.32% 与 38.27% 的提升。经验上，我们的方法可配备于任意 GNN 以助其捕捉 LRI。代码与数据集公开于 https://github.com/tmlr-group/NeuralAtom。
引用
@article{arxiv.2311.01276,
title = {Neural Atoms: Propagating Long-range Interaction in Molecular Graphs through Efficient Communication Channel},
author = {Xuan Li and Zhanke Zhou and Jiangchao Yao and Yu Rong and Lu Zhang and Bo Han},
journal= {arXiv preprint arXiv:2311.01276},
year = {2024}
}