面向少样本分子属性预测的属性感知关系网络
机器学习
2021-11-12 v3
摘要
分子属性预测在药物发现中发挥着基础性作用，以识别具有目标属性的候选分子。然而，分子属性预测本质上是一个少样本问题，这使得常规机器学习模型难以使用。本文提出属性感知关系网络（PAR）来处理该问题。与现有工作相比，我们利用以下事实：相关子结构和分子间关系随不同分子属性而变化。我们首先引入属性感知嵌入函数，将通用分子嵌入转换到与目标属性相关的子结构感知空间。进一步，我们设计自适应关系图学习模块，针对目标属性联合估计分子关系图并精炼分子嵌入，从而使得有限标签能在相似分子间有效传播。我们采用元学习策略，其中参数在任务内被选择性更新，以分别建模通用知识与属性感知知识。在基准分子属性预测数据集上的大量实验表明，PAR持续优于现有方法，并能获得属性感知的分子嵌入以及合理建模分子关系图。
引用
@article{arxiv.2107.07994,
title = {Property-Aware Relation Networks for Few-Shot Molecular Property Prediction},
author = {Yaqing Wang and Abulikemu Abuduweili and Quanming Yao and Dejing Dou},
journal= {arXiv preprint arXiv:2107.07994},
year = {2021}
}
备注
accepted as NeurIPS 2021 Spotlight