DGCL: dual-graph neural networks contrastive learning for molecular property prediction 解读

DGCL（Dual-Graph Contrastive Learning with Mixed Molecular Fingerprints）是基于 双图神经网络（GNNs） 的对比学习（CL）方法，并结合了 混合分子指纹（MFPs） 来进行分子性质预测。DGCL 方法包含两个主要阶段：

使用两种图神经网络 (GNN)：

它通过一个递归的聚合过程，将每个节点的信息与其邻居的信息结合起来，从而捕获整个图的结构信息。

Graph Attention Network (GAT) 被用于捕捉图结构中的局部依赖关系，同时考虑了节点特征和边特征。GAT 的核心思想是通过注意力机制动态计算不同节点之间的相对重要性，从而为每个节点分配不同的权重。

• GIN (Graph Isomorphism Network): 主要捕捉局部结构信息，擅长建模分子图中的邻域特征。
• GAT (Graph Attention Network): 利用注意力机制动态分配节点之间的信息传递权重，擅长建模重要性关系。
• 正样本对：来自同一分子图的两个特征表示ÿ