点击蓝字
关注我们
AI TIME欢迎每一位AI爱好者的加入!
余兆宁:
爱荷华州立大学博士生,导师为Hongyang Gao教授,主要研究方向为图深度学习,可解释性分析。主页:https://zhaoningyu1996.github.io/
图神经网络已广泛用于分子图的特征表示学习。然而,大多数现有方法单独处理分子图,忽略分子图之间的关联,例如通过共有子图(motif)建立的关系。针对这个问题, 我们提出了一种基于构建异构子图的分子图表示学习方法。具体来说,我们构建了一个包含子图节点和分子节点的异构图。每个子图节点对应于从分子中提取的一个常见子图(motif)。然后,我们使用一个异构神经网络(HM-GNN)来学习异构图中每个节点的特征表示。实验表明我们模型所提取的分子和常见子图(motif)之间的信息传递能够帮助分子特征表示的学习。
这次我们讲的是如何利用基于Motif的异构图来帮助分子表示的学习。
1
What are motifs
Motifs-based Molecular Representation Learning
什么是motifs?维基百科中的解释是经常出现的统计学上非常重要的子图或子结构,也可能是一种模式。
下面我们给出例子,分子图通过一些分解手段来构造一些子结构,我们列出了4个例子。
第一个子结构包含了绝大多数分子图中的点,也就是说本身这个子结构包含了很多非常有用的信息。但是由于这个结构非常特殊,我们很难在其他图中找到相同的子结构,所以我们就不把它当作motif。
第二个和第三个例子可以被当作motif,首先是因为他们都经常出现在各种分子图中。另一方面根据化学中的domain knowledge,我们可以知道这两个子结构具有特殊的性质。所以我们认为这两种子结构都可以被当作motif。
最后一个例子是一个碳氢结构,该结构也经常出现在图中。但是目前还很难知道它有什么特殊的性质,所以不把它作为motif。
Network Motif