Bond-Aware Molecular Graph Learning With Multi-Graph Interleaved Message Passing

Honghao Wang

doi:10.1109/jbhi.2026.3668790

Bond-Aware Molecular Graph Learning With Multi-Graph Interleaved Message Passing

2026-03-03

0

PRE

AI

DOI：10.1109/jbhi.2026.3668790

原文链接

原文求助

摘要

En 中文

图神经网络（GNNs）在分子性质预测中展现了显著能力。现有方法通过将分子建模为同构图来采用GNNs。然而，原子间的化学键可以是异构的，其表征及其在分子图表示学习中的作用尚未被探索。为解决分子图固有的异构性问题，本研究构建了键中心图，并提出了一种新型多图学习模型，该模型通过增强键图视图和原子特征的键编码来捕捉键的异构性。与侧重于晚期视图融合的传统多视图学习方法不同，我们的方法在节点表示学习阶段就整合了跨图信息。为此，我们引入了交织消息传递图神经网络（IMPGNN），允许消息在分子图的三个视图之间传递。此外，我们引入了一种新颖的结构感知池化机制用于图表示，相比简单求和池化可带来最高45.7%的提升。在两项标准分子性质预测任务上的比较实验表明，我们的方法在75%的评估基准数据集上超越了所有竞争方法（包括多模态模型）。

Keyword:

Molecular property prediction

heterogeneity

multi-graph learning

graph neural network

Bond-Aware Molecular Graph Learning With Multi-Graph Interleaved Message Passing

摘要

期刊

机构

引用论文