準確預測分子性質有助于評估和選擇具有許多下游應用所需特性的合適化學分子。隨著近年來圖神經網絡(GNNs)在各種圖相關任務中的顯著成功，已經從不同方向進行了許多努力來設計用于分子性質預測的GNN模型。基本思想是將原子和鍵的拓撲結構視為一個圖，并使用強大的GNN編碼器將每個分子轉換為一個表示向量，然后設置特定屬性的預測模塊。
//www.zhuanzhi.ai/paper/79ef70c82681e1e2ed1c394d8550bf47
當缺乏足夠的標記數據時，圖對比學習(GCL)方法在許多應用中顯示出非常好的性能。標記數據的缺乏是用于分子性質預測的GNN模型(以及其他深度學習模型)預測性能的主要障礙之一。現有的GCL方法通常對圖采用不同的數據增強方案，當其應用到其他領域的圖上時可能會改變圖的語義。目前大多數關于分子圖的GCL方法仍然基于這樣的數據增強方法，這不可避免地會改變分子的天然結構。例如，(You 等人)提出丟棄原子、擾動邊緣和屏蔽屬性來增強數據。然而，由于每個原子都對分子性質有影響，原子的這種隨機刪除和擾動會破壞分子的結構。雖然像MoCL這樣的一些其他方法采用預定義的分子子結構來緩解隨機破壞的問題，但這種替代規則仍然有可能違反化學原理。
本文提出了一種用于分子性質預測的幾何增強的圖對比學習模型(GeomGCL)，該模型配備了自適應幾何消息傳遞網絡(GeomMPNN)以及增強2D-3D幾何結構學習過程的對比學習策略。該框架可以在不破壞分子結構的情況下，從不同的幾何角度預測分子性質。
付費5元查看完整內容
相關內容
MoCL: Contrastive Learning on Molecular Graphs with Multi-level Domain Knowledge
Authors: Mengying Sun, Jing Xing, Huijun Wang, Bin Chen, Jiayu Zhou
近年來，利用圖神經網絡解決藥物相關問題在生物醫學領域得到了迅速發展。然而，就像任何其他深度架構一樣，GNN是數據需求型的。雖然在現實世界中要求標簽通常是昂貴的，但以一種無監督的方式對GNN進行預處理已經被積極地探索。其中，圖對比學習通過最大化成對圖增強之間的互信息，已被證明對各種下游任務是有效的。然而，目前的圖對比學習框架有兩個局限性。首先，增強是為一般圖設計的，因此對于某些領域可能不夠合適或不夠強大。第二，對比方案只學習對局部擾動不變的表示，因此不考慮數據集的全局結構，這也可能對下游任務有用。因此，本文研究生物醫學領域中存在分子圖的圖對比學習。我們提出了一個新的框架MoCL，利用領域知識在局部和全局水平上幫助表示學習。局部層次的領域知識指導擴展過程，這樣在不改變圖語義的情況下引入變體。全局層次的知識對整個數據集圖之間的相似性信息進行編碼，并幫助學習具有更豐富語義的表示。整個模型通過雙對比目標學習。我們評估了在線性和半監督設置下的多種分子數據集上的MoCL，結果表明MoCL達到了最先進的性能。
付費5元查看完整內容
圖神經網絡最近的成功極大地促進了分子性質的預測，促進了藥物發現等活動。現有的深度神經網絡方法通常對每個屬性都需要大量的訓練數據集，在實驗數據量有限的情況下(特別是新的分子屬性)會影響其性能，這在實際情況中是常見的。為此，我們提出了Meta-MGNN，一種新穎的預測少樣本分子性質的模型。Meta-MGNN應用分子圖神經網絡學習分子表示，建立元學習框架優化模型。為了挖掘未標記的分子信息，解決不同分子屬性的任務異質性，Meta-MGNN進一步將分子結構、基于屬性的自監督模塊和自關注任務權重整合到Meta-MGNN框架中，強化了整個學習模型。在兩個公共多屬性數據集上進行的大量實驗表明，Meta-MGNN優于各種最先進的方法。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191