亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

在化學中，一般用IUPAC命名法、分子式、結構式、骨架式等形式來表示一個分子，然而這些形式最初是為人類而不是計算機設計的。為了便于計算機理解和利用分子，MRL被提出，MRL將分子映射到低維空間，表示為稠密向量。分子的學習向量（又稱嵌入）可用于廣泛的下游任務，如化學反應預測、分子性質預測、分子結構預測等。

研究人員已經提出了許多MRL方法，其中大部分都將SMILES字符串作為輸入，盡管這些語言模型功能強大，但它們卻很難從SMILES中學習到分子的原始結構信息，因為SMILES是分子結構的一維線性化。而GNN在處理分子表示中局限于設計新穎精致的GNN結構，忽略了MRL的本質——泛化能力。這激勵了作者探索GNN架構之外的方法。

在本文中，作者使用化學反應來協助學習分子表征，提高其泛化能力。化學反應通常由化學反應方程式表示，反應物在左側，生成物在右側，例如乙酸和乙醇的費希爾酯化反應。作者的想法是保持分子在嵌入空間的等價性。更重要的是，當分子編碼器是以總和作為readout函數的GNN時，該模型能夠自動隱式地學習同一類別內一組化學反應的反應模板，學習反應模板是提高分子表征泛化能力的關鍵。

作者將該模型稱為MoLR（chemical-reaction-aware molecule embeddings，化學反應感知的分子嵌入）。并且將可視化分子嵌入，表明它們能夠編碼反應模板和幾個關鍵的分子屬性，如分子大小和最小環的數量。