T-Hop: 用于分子图化学性质预测中重要路径信息研究的框架
生物大分子
2024-07-22 v1 机器学习
摘要
本文研究了在分子图中纳入路径信息以预测化学性质的有效性，具体阐述于定量结构-活性关系（QSAR）领域。为此，我们开发了一种可切换为两种工作模式的 GNN 风格模型：一种是包含路径信息的非退化模式，另一种是不包含路径信息的退化模式。通过对两种模式在相关 QSAR 数据集上的性能进行比较，我们能够直接评估路径信息在这些数据集上的重要性。我们的结果证实了前述研究的结论，即路径信息的有用性取决于数据集。不同于以往研究的是，我们首次致力于构建一种能预测特定数据集是否会受益于路径信息的模型。此外，我们还发现，尽管其简单性，本模型的退化模式在某些情况下甚至超过了更为精细的 SOTA 模型。
引用
@article{arxiv.2407.14270,
title = {T- Hop: A framework for studying the importance path information in molecular graphs for chemical property prediction},
author = {Abdulrahman Ibraheem and Narsis Kiani and Jesper Tegner},
journal= {arXiv preprint arXiv:2407.14270},
year = {2024}
}