.png){kind=icon}
返回
Motif-driven molecular graph representation learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.126484.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图神经网络（GNNs）已作为分子图分析的有力工具出现。基于子图的GNNs专注于学习超越简单节点交互的高级局部模式，以提高GNN的表达能力。然而，当前的基于子图的方法缺乏一个统一的方案来整合分子基序，这种方案可以一致地应用于各种GNN框架。为解决此问题，我们提出了UniMotif，一种通用的分子基序整合方法，该方法增强了GNNs的表达能力。具体而言，我们将一个基序解耦为功能编码和可学习的结构编码，其中功能编码作为每个基序的唯一标识符，结构编码为同一基序内的节点提供局部结构上下文。我们进一步分析了七种基序提取技术对模型性能的影响，并提供了深入评估。实验结果表明，UniMotif在提高GNN表达能力方面是有效的，并且其与各种GNN架构具有兼容性。代码可在https://github.com/GraphMoLab/Uni-Motif获取。
Keyword:
Graph neural network
Expressive power
Decoupled motif representation
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
.png){kind=icon}
HimGNN: a novel hierarchical molecular graph representation learning framework for property predictionHimGNN: 一种用于属性预测的新型分层分子图表示学习框架
PREAI
分享收藏
分享收藏
Integrating QSAR modelling and deep learning in drug discovery: the emergence of deep QSAR在药物发现中集成QSAR建模和深度学习: 深度QSAR的出现
PREAI
分享收藏
查看更多内容