干货！通过异构子图神经网络进行分子表示学习

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