Molecule Property Prediction based on Spatial Graph Embedding | 基于空间图嵌入的分子性质预测 | Graph | GNN

文章在2019.8发表在JCIM上，化学二区

1 Introduction

1.1 背景

目前深度学习方法 过度依赖手工设计的特征，这可能会限制模型 潜在表征 的搜索空间，那么如何设计卷积方法 来提高分子性质预测的性能 是需要解决问题。

1.2 本文工作

本文提出了一种 卷积空间图嵌入层（C-SGEL），使卷积运算能够应用于 分子图数据，将多个嵌入层堆叠起来 构造 卷积空间图嵌入网络（C-SGEN），用于从分子图中学习特征。此外，使用分子指纹来提高特征的泛化性能，并设计了一个结合 图形特征和指纹的复合模型 来预测分子性质。

2 模型介绍

2.1 模型结构

①在本文模型中，每个分子分别用无向图和分子指纹来表示。具体实现了a图表示层、b图嵌入层、c卷积空间图嵌入层 和 d图聚集层 四个过程。此外，结合这四个过程，提出了卷积空间图嵌入网络（C-SGEN），将CNN应用于分子图数据。此外，使用skip connection解决卷积过程中的梯度消失问题，在每个 卷积空间图嵌入层 C-SGEL 之后，引入跳过连接来连接每个C-SGEL的输出，它可以充分利用分子信息，揭示分子中原子之间的关系。
②同时，使用DNN处理的分子指纹。
③最后，将分子图和指纹表示连接在一起，使用全连接层预测分子特性。
模型结构图如下：’

2.2 分子图的表示

每个分子图G由 邻接矩阵A 和 初始节点矩阵X 表示。
①邻接矩阵A 表示原子之间的连接信息，若两个原子之间有边相连，则Aij =1，否则，Aij = 0，同时，邻接矩阵也考虑了原子的自连接。
②初始节点矩阵X 表示n个节点的集合，即 X = { x1, x2, … , xn }，每个节点是一个m维向量，即 xi = { xi1, xi2, … , xim }。原子的特征描述如下：

xij 是第j个特征的值，m是特征维度
通过DeepChem软件包提取一个分子的所有特征，并编码到one-hot中。

（e.g）分子的初始特征矩阵。提取异丙醇的简单原子属性，不同颜色对应于不同原子。

每个原子