干货！小样本分子性质预测新方法——性质感知的关系网络

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

分子性质预测能够识别具有目标性质的候选分子，在药物发现中发挥着重要作用。由于新药发现研究中已知药理性质的分子(有标签样本)少，分子性质预测本质上是一个小样本问题，很难使用常规的机器学习方法解决。

在已有的小样本的分子性质预测研究中，现有工作常直接使用小样本学习的经典方法，但是忽视了分子性质预测问题的特性，即在不同性质预测任务中起作用的子结构和分子间关系均是不同的。在这篇工作中，我们提出了新的小样本分子性质预测模型--性质感知的关系网络(PAR)。

我们首先引入一个性质感知的表示学习函数，将通用分子表征转换到与目标性质相关的子结构空间。然后，我们设计了一个性质自适应的关系图学习模块来联合估计分子之间的关系图并改进分子表征，使得标签信息可以在相似的分子之间有效地传播。

我们采用元学习策略，在任务中选择性地更新参数，以便对通用知识和目标性质专有知识进行分别建模。在基准分子性质预测数据集进行的大量实验表明，PAR始终优于现有方法，并且可以获得性质感知的分子表征并正确建模分子关系图。

本期AI TIME PhD直播间，我们邀请到百度研究院商业智能实验室资深研究员——王雅晴，为我们带来报告分享《小样本分子性质预测新方法——性质感知的关系网络》。

王雅晴：

百度研究院商业智能实验室资深研究员。于2019年博士毕业于香港科技大学计算机科学及工程学系，师从倪明选教授和郭天佑教授。研究机器学习并聚焦小样本学习的理论研究和产业实践，现有多篇成果发表在ICML、NeurIPS、WWW、SIGIR、EMNLP、JMLR、TIP等顶级会议及期刊。发表在ACM Computing Surveys的小样本学习综述为ESI认证的2021年热点和高被引论文。

Molecular Property Prediction分子性质预测

如下图所示，在药物研发流程中，最终只有很少量的分子能在湿实验中获得属性标签。这使得分子性质预测任务本质上是一个小样本学习任务。