返回
Knowledge-aware contrastive heterogeneous molecular graph learning
DOI:10.1371/journal.pcbi.1013008.png)
摘要
En 中文
分子表示学习在预测分子性质和推进药物设计方面至关重要。传统方法主要依赖同质图编码,其局限性在于无法整合外部知识,且难以在不同粒度级别上表示分子结构。为解决这些局限性,我们提出了一种范式转变,通过将分子图编码为异构结构,引入了一种新型框架:知识感知对比异构分子图学习(Knowledge-aware Contrastive Heterogeneous Molecular Graph Learning, KCHML)。该方法利用对比学习将嵌入的外部知识丰富分子表示。KCHML通过三种不同的图视图——分子视图、元素视图和药理视图——来概念化分子,并通过异构分子图和双消息传递机制进行增强。这种设计为性质预测提供了全面表示,同时也适用于下游任务,如药物-药物相互作用预测。广泛的基准测试表明,KCHML在分子性质预测方面优于当前最先进的模型,凸显了其捕捉复杂分子特征的能力。
期刊
IF:
7.2
论文数:
2.1K
被引数:
3.9W
机构
引用论文
Learning size-adaptive molecular substructures for explainable drug-drug interaction prediction by substructure-aware graph neural network
CHEMICAL SCIENCE
IF7.4
Pushing the Boundaries of Molecular Representation for Drug Discovery with the Graph Attention Mechanism通过图形注意机制推动药物发现的分子表示边界

