Bioinformatics | 化学反应增强分子表征图学习

最新推荐文章于 2025-06-02 23:27:21 发布

大模型产品经理

最新推荐文章于 2025-06-02 23:27:21 发布

阅读量1.1k

点赞数 22

文章标签：学习语言模型知识图谱人工智能自然语言处理 chatgpt ai

本文链接：https://blog.csdn.net/bagell/article/details/144089544

版权

今天给大家分享一篇发表在Bioinsformatics上的论文：“Chemical reaction enhanced graph learning for molecule representation”。论文提出了一种新的反应增强图学习（Reaction-enhanced Graph Learning, RXGL）框架用于MRL。该框架利用化学反应作为领域知识，构建反应感知图，进行反应感知图学习，将反应级别的关系到分子建模中，之后在反应产物预测、反应分类、分子属性预测任务上进行了实验，取得了先进的性能。

介绍

分子表征学习(Molecule Representation Learning,MRL)技术对于将机器学习与生物和化学科学结合至关重要。它通过将分子编码为低维向量，保留了分子信息，使得这些向量可以作为下游应用（例如产物预测、反应分类和分子属性预测）的特征。当前的方法主要依赖于分子的内在信息来学习分子表示，但它们通常忽略了有效地将领域知识整合到分子表征学习中。这些方法要么使用基于SMILES字符串的方法，要么将分子拓扑结构视为图，并使用图神经网络（GNNs）来建模分子，但这些方法通常只关注分子内部信息来设计模型，而忽视了领域知识的高效整合。鉴于现有方法的局限性，论文提出了一种新的反应增强图学习（Reaction-enhanced Graph Learning, RXGL）框架，用于MRL。该框架利用化学反应作为领域知识，其中一个模块使用图神经网络来捕获分子结构，另一个模块构建反应感知图，并设计了一个新的图注意力网络来整合反应级别的关系到分子建模中。

方法

构建反应感知图

首先处理数据，在反应集合中，对于每个反应，在反应物与产物之间形成一条边，由此构建出反应感知图。

模型框架

如图所示，RXGL模型由反应物方向、产物方向两个方向组成，每个方向都包含4部分，分别是：分子图学习、反应感知图学习、基于反应的关系学习、对比学习。两个方向的流程相同，本文将以反应物方向为例进行介绍。

分子图学习

为了描述原子的初始特征，使用了4种原子属性：元素类型、电荷、芳环存在、氢原子数目，将分子图输入图神经网络中，聚合邻居节点信息来更新节点特征，之后经过池化得到分子图表示，此部分是传统的学习方法。公式定义如下，通过堆叠多层GNN最终得到分子图表示。

反应感知图学习

对每一个分子，使用官能团信息来表示分子的特征。将反应物的官能团特征经过嵌入操作后相加得到反应物表示，将产物的官能团特征经过嵌入操作后相加得到产物表示，反应物表示与产物表示相加可以得到反应上下文表示(图中)。反应物本身的官能团特征表示为，邻居b、c的表示为、，将反应物表示、反应上下文表示、邻居表示进行相乘操作，再经过Softmax函数得到注意力分数，公式定义如下，之后，将注意力分数与邻居表示相乘，加上反应物表示得到更新后的反应物表示，通过堆叠多次该操作，将最终的表征作为反应级表征。连接两种表征再使用一个线性层处理得到分子的最终融合表征。

基于反应的关系学习

论文假设存在某个向量使等式成立，其中，接着，两种表示进行元素乘积后，通过一个线性转换矩阵K得到注意力向量，将该向量乘上一个Memory矩阵M得到预测，其中，Memory矩阵可以被解释为概念性构建块的存储，这些概念性构建块可以用来描述反应物和产物之间的关系。经过关系建模后，为反应物-产物对定义以下分数函数，为了优化，在小批量反应数据中，将匹配的反应物-产物对识别为正例对，旨在最小化它们的嵌入差异，而不匹配的对认为是负例对，目的是最大化它们的嵌入差异，其中且。