関係グラフで階層的に構造化された学習を介した少数の分子特性予測

このホワイトペーパーでは、いくつかのショット分子特性予測を研究しています。これは、化学情報学と創薬の根本的な問題です。最近では、グラフニューラルネットワークベースのモデルが徐々に分子特性予測のテーマになりました。ただし、既存の方法には自然な欠陥があります。つまり、望ましい特性を持つ分子の希少性があり、効果的な予測モデルを構築することが困難です。この論文では、分子特性予測の関係グラフ（HSL-RG）で階層的に構造化された学習と呼ばれる新しいフレームワークを提案します。これは、グローバルレベルとローカルレベルの粒度の両方からの分子の構造セマンティクスを調査します。技術的には、最初にグラフカーネルを活用して、隣接する分子から分子構造知識をグローバルに通信するための関係グラフを構築し、次に構造最適化の自己監視学習信号を設計して、分子自体から変換不変表現を局所的に学習します。さらに、タスクに適合したメタラーニングアルゴリズムを提案して、少ないショットシナリオでさまざまなタスクのメタナレッジカスタマイズを提供します。複数の実際のベンチマークデータセットでの実験は、HSL-RGが既存の最先端のアプローチよりも優れていることを示しています。

This paper studies few-shot molecular property prediction, which is a fundamental problem in cheminformatics and drug discovery. More recently, graph neural network based model has gradually become the theme of molecular property prediction. However, there is a natural deficiency for existing methods, that is, the scarcity of molecules with desired properties, which makes it hard to build an effective predictive model. In this paper, we propose a novel framework called Hierarchically Structured Learning on Relation Graphs (HSL-RG) for molecular property prediction, which explores the structural semantics of a molecule from both global-level and local-level granularities. Technically, we first leverage graph kernels to construct relation graphs to globally communicate molecular structural knowledge from neighboring molecules and then design self-supervised learning signals of structure optimization to locally learn transformation-invariant representations from molecules themselves. Moreover, we propose a task-adaptive meta-learning algorithm to provide meta knowledge customization for different tasks in few-shot scenarios. Experiments on multiple real-life benchmark datasets show that HSL-RG is superior to existing state-of-the-art approaches.