論文の概要: GeomGCL: Geometric Graph Contrastive Learning for Molecular Property
Prediction
- arxiv url: http://arxiv.org/abs/2109.11730v1
- Date: Fri, 24 Sep 2021 03:55:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-27 14:09:11.526545
- Title: GeomGCL: Geometric Graph Contrastive Learning for Molecular Property
Prediction
- Title（参考訳）: geomgcl:分子特性予測のための幾何グラフコントラスト学習
- Authors: Shuangli Li, Jingbo Zhou, Tong Xu, Dejing Dou, Hui Xiong
- Abstract要約: 本研究では2次元および3次元ビューにまたがる分子の幾何を利用した新しいグラフコントラスト学習法を提案する。
具体的には、分子の2次元グラフと3次元グラフの両方のリッチな情報を適応的に活用するために、2次元幾何学的メッセージパッシングネットワーク(GeomMPNN)を考案する。
- 参考スコア（独自算出の注目度）: 47.70253904390288
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recently many efforts have been devoted to applying graph neural networks
(GNNs) to molecular property prediction which is a fundamental task for
computational drug and material discovery. One of major obstacles to hinder the
successful prediction of molecule property by GNNs is the scarcity of labeled
data. Though graph contrastive learning (GCL) methods have achieved
extraordinary performance with insufficient labeled data, most focused on
designing data augmentation schemes for general graphs. However, the
fundamental property of a molecule could be altered with the augmentation
method (like random perturbation) on molecular graphs. Whereas, the critical
geometric information of molecules remains rarely explored under the current
GNN and GCL architectures. To this end, we propose a novel graph contrastive
learning method utilizing the geometry of the molecule across 2D and 3D views,
which is named GeomGCL. Specifically, we first devise a dual-view geometric
message passing network (GeomMPNN) to adaptively leverage the rich information
of both 2D and 3D graphs of a molecule. The incorporation of geometric
properties at different levels can greatly facilitate the molecular
representation learning. Then a novel geometric graph contrastive scheme is
designed to make both geometric views collaboratively supervise each other to
improve the generalization ability of GeomMPNN. We evaluate GeomGCL on various
downstream property prediction tasks via a finetune process. Experimental
results on seven real-life molecular datasets demonstrate the effectiveness of
our proposed GeomGCL against state-of-the-art baselines.
- Abstract（参考訳）: 近年,分子特性予測へのグラフニューラルネットワーク(GNN)の適用に多くの取り組みがなされている。
GNNによる分子特性予測の成功を妨げる大きな障害の1つは、ラベル付きデータの不足である。
グラフコントラスト学習 (gcl) の手法はラベル付きデータに不足しているため、特に一般的なグラフのデータ拡張スキームの設計に重点を置いている。
しかし、分子の基本的な性質は分子グラフ上の拡張法(ランダム摂動法など)によって変化することができる。
しかしながら、分子の臨界幾何学的情報は、現在のGNNおよびGCLアーキテクチャの下ではめったに探索されない。
そこで本研究では,2次元および3次元ビューにまたがる分子の幾何を利用した新しいグラフコントラスト学習手法GeomGCLを提案する。
具体的には、分子の2次元グラフと3次元グラフの両方のリッチな情報を適応的に活用するために、2次元幾何学的メッセージパッシングネットワーク(GeomMPNN)を考案する。
異なるレベルで幾何学的性質を組み込むことは、分子表現学習を大いに促進することができる。
そこで,GeomMPNNの一般化能力を向上させるために,幾何学的ビューを相互に監督する新しい幾何学的グラフコントラスト方式を考案した。
様々な下流特性予測タスクのGeomGCLを微調整プロセスにより評価する。
7つの実生活分子データセットによる実験結果から,提案したGeomGCLの有効性が示された。
関連論文リスト
- A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。
Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。
本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
論文 参考訳（メタデータ） (2023-12-12T18:44:19Z) - Geometry-aware Line Graph Transformer Pre-training for Molecular
Property Prediction [4.598522704308923]
Geometry-Aware line graph transformer (Galformer) は、新しい自己教師型学習フレームワークである。
Galformerは、分類タスクと回帰タスクの両方において、すべてのベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2023-09-01T14:20:48Z) - Graph neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳（メタデータ） (2022-07-25T11:30:44Z) - Distance-Geometric Graph Attention Network (DG-GAT) for 3D Molecular
Geometry [0.8722210937404288]
3次元距離幾何学グラフ表現(DG-GR)は、3次元グラフの幾何学を表現する統一的なスキーム(距離)を採用する。
DG-GRを用いた3次元距離幾何学グラフアテンションネットワーク(DG-GAT)を提案する。
実験により、2次元分子グラフに基づく標準グラフ畳み込みネットワークよりも大幅に改善された。
論文 参考訳（メタデータ） (2022-07-16T21:39:31Z) - Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。
GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。
4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
論文 参考訳（メタデータ） (2022-06-25T03:54:53Z) - Discovering the Representation Bottleneck of Graph Neural Networks from
Multi-order Interactions [51.597480162777074]
グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。
最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。
科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
論文 参考訳（メタデータ） (2022-05-15T11:38:14Z) - Molecular Graph Generation via Geometric Scattering [7.796917261490019]
グラフニューラルネットワーク(GNN)は、薬物の設計と発見の問題を解決するために広く使われている。
分子グラフ生成における表現第一のアプローチを提案する。
我々のアーキテクチャは、医薬品のデータセットの有意義な表現を学習し、目標指向の薬物合成のためのプラットフォームを提供する。
論文 参考訳（メタデータ） (2021-10-12T18:00:23Z) - ChemRL-GEM: Geometry Enhanced Molecular Representation Learning for
Property Prediction [25.49976851499949]
化学表現学習のための新しい幾何強化分子表現学習法(GEM)を提案する。
まず、分子内の原子、結合、結合角を同時にモデル化する幾何学に基づくGNNアーキテクチャを設計する。
考案されたGNNアーキテクチャの上に,空間知識を学習するための幾何レベルの自己教師型学習戦略を提案する。
論文 参考訳（メタデータ） (2021-06-11T02:35:53Z) - Uncovering the Folding Landscape of RNA Secondary Structure with Deep
Graph Embeddings [71.20283285671461]
このようなグラフ埋め込みを学習するための幾何散乱オートエンコーダ(GSAE)ネットワークを提案する。
我々の埋め込みネットワークは、最近提案された幾何散乱変換を用いて、まずリッチグラフ特徴を抽出する。
GSAEは、構造とエネルギーの両方でRNAグラフを整理し、ビスタブルRNA構造を正確に反映していることを示す。
論文 参考訳（メタデータ） (2020-06-12T00:17:59Z) - Geom-GCN: Geometric Graph Convolutional Networks [15.783571061254847]
本稿では,この2つの弱点を克服するために,グラフニューラルネットワークのための新しい幾何集約手法を提案する。
提案したアグリゲーションスキームは置換不変であり、ノード埋め込み、構造近傍、二レベルアグリゲーションという3つのモジュールから構成される。
また,このスキームをGeom-GCNと呼ばれるグラフ畳み込みネットワークに実装し,グラフ上でトランスダクティブ学習を行う。
論文 参考訳（メタデータ） (2020-02-13T00:03:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。