基于化学诱导配合的表征对齐：用于分子关系学习

分子关系学习 (MRL) 在自然科学中广泛应用于通过提取结构特征来预测分子对之间的关系。分子副结构对的表征相似性决定了分子结合位点的功能兼容性。然而，仅凭注意力机制对副结构表征进行对齐，缺乏来自化学知识的指导，导致在化学空间（例如功能基、骨架）移动数据中模型性能不稳定。我们在理论依据基础上，提出了 \textbf{Re}presentational \textbf{Align}ment with Chemical Induced \textbf{Fit} (ReAlignFit) 以增强 MRL 的稳定性。ReAlignFit 通过引入基于化学诱导配合的归纳偏差，动态地对 MRL 中的副结构表征进行对齐。在归纳过程中，我们设计基于副结构边重构的偏差校正函数，通过模拟化学构象变化（副结构的动态组合）来对齐副结构对之间的表征。ReAlignFit 还进一步集成了在适配过程中的子图信息瓶颈，以细化和优化表现出高化学功能兼容性的副结构对，利用这些副结构对生成分子嵌入。在九个数据集上的实验结果表明，ReAlignFit 在两个任务中超越了最先进的模型，并在规则迁移和骨架迁移数据分布中显著增强了模型的稳定性。