論文の概要: Molecular Contrastive Learning with Chemical Element Knowledge Graph
- arxiv url: http://arxiv.org/abs/2112.00544v1
- Date: Wed, 1 Dec 2021 15:04:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-02 13:57:03.019310
- Title: Molecular Contrastive Learning with Chemical Element Knowledge Graph
- Title（参考訳）: 化学元素知識グラフを用いた分子コントラスト学習
- Authors: Yin Fang, Qiang Zhang, Haihong Yang, Xiang Zhuang, Shumin Deng, Wen
Zhang, Ming Qin, Zhuo Chen, Xiaohui Fan, Huajun Chen
- Abstract要約: 分子表現学習は、分子特性予測や薬物設計など、下流の複数のタスクに寄与する。
我々は,元素間の微視的関連を要約するケミカル要素知識グラフ(KG)を構築した。
最初のモジュールである知識誘導グラフ拡張は、ケミカル要素KGに基づいて元の分子グラフを増強する。
第2のモジュールである知識対応グラフ表現は、元の分子グラフの共通グラフエンコーダと知識対応メッセージパッシングニューラルネットワーク(KMPNN)を用いて分子表現を抽出し、拡張された分子グラフの複雑な情報をエンコードする。
- 参考スコア（独自算出の注目度）: 16.136921143416927
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Molecular representation learning contributes to multiple downstream tasks
such as molecular property prediction and drug design. To properly represent
molecules, graph contrastive learning is a promising paradigm as it utilizes
self-supervision signals and has no requirements for human annotations.
However, prior works fail to incorporate fundamental domain knowledge into
graph semantics and thus ignore the correlations between atoms that have common
attributes but are not directly connected by bonds. To address these issues, we
construct a Chemical Element Knowledge Graph (KG) to summarize microscopic
associations between elements and propose a novel Knowledge-enhanced
Contrastive Learning (KCL) framework for molecular representation learning. KCL
framework consists of three modules. The first module, knowledge-guided graph
augmentation, augments the original molecular graph based on the Chemical
Element KG. The second module, knowledge-aware graph representation, extracts
molecular representations with a common graph encoder for the original
molecular graph and a Knowledge-aware Message Passing Neural Network (KMPNN) to
encode complex information in the augmented molecular graph. The final module
is a contrastive objective, where we maximize agreement between these two views
of molecular graphs. Extensive experiments demonstrated that KCL obtained
superior performances against state-of-the-art baselines on eight molecular
datasets. Visualization experiments properly interpret what KCL has learned
from atoms and attributes in the augmented molecular graphs. Our codes and data
are available in supplementary materials.
- Abstract（参考訳）: 分子表現学習は、分子特性予測や薬物設計など、複数の下流タスクに寄与する。
分子を適切に表現するためには、グラフコントラスト学習は、自己超越的な信号を使用し、人間のアノテーションの要求がないため、有望なパラダイムである。
しかし、先行研究は基本的なドメイン知識をグラフセマンティクスに組み込むことができず、そのため共通の属性を持つが結合によって直接結び付けられていない原子間の相関を無視する。
これらの課題に対処するため,我々は,元素間の微視的関連を要約するケミカル要素知識グラフ(KG)を構築し,分子表現学習のための新しい知識強調学習(KCL)フレームワークを提案する。
KCLフレームワークは3つのモジュールで構成される。
最初のモジュールである知識誘導グラフ拡張は、化学元素kgに基づいて元の分子グラフを増強する。
第2のモジュールである知識対応グラフ表現は、元の分子グラフの共通グラフエンコーダと知識対応メッセージパッシングニューラルネットワーク(KMPNN)を用いて分子表現を抽出し、拡張された分子グラフの複雑な情報をエンコードする。
最後のモジュールは対照的な目的であり、分子グラフのこの2つのビューの一致を最大化する。
広範な実験により、kclは8つの分子データセットで最先端のベースラインに対して優れた性能を得た。
可視化実験は、KCLが分子グラフの原子や属性から学んだことを適切に解釈する。
私たちのコードとデータは補足資料で利用可能です。
関連論文リスト
- Molecular Property Prediction Based on Graph Structure Learning [29.516479802217205]
我々はGSL-MPPと呼ばれるグラフ構造学習(GSL)に基づくMPPアプローチを提案する。
具体的には、まず、分子グラフ上にグラフニューラルネットワーク(GNN)を適用し、分子表現を抽出する。
分子指紋を用いて分子類似性グラフ(MSG)を構築する。
論文 参考訳（メタデータ） (2023-12-28T06:45:13Z) - MolGrapher: Graph-based Visual Recognition of Chemical Structures [50.13749978547401]
化学構造を視覚的に認識するためにMolGrapherを導入する。
すべての候補原子と結合をノードとして扱い、それらをグラフ化する。
グラフニューラルネットワークを用いてグラフ内の原子と結合ノードを分類する。
論文 参考訳（メタデータ） (2023-08-23T16:16:11Z) - Bi-level Contrastive Learning for Knowledge-Enhanced Molecule
Representations [55.42602325017405]
本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。
異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。
11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
論文 参考訳（メタデータ） (2023-06-02T15:49:45Z) - Atomic and Subgraph-aware Bilateral Aggregation for Molecular
Representation Learning [57.670845619155195]
我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。
ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。
本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
論文 参考訳（メタデータ） (2023-05-22T00:56:00Z) - Conditional Graph Information Bottleneck for Molecular Relational
Learning [9.56625683182106]
本稿では,コア部分グラフを検出してグラフ間の相互作用を予測できる新しい関係学習フレームワークCGIBを提案する。
提案手法は化学反応の性質,すなわち分子の核部分構造がどの分子と相互作用するかによって異なることを模倣する。
論文 参考訳（メタデータ） (2023-04-29T01:17:43Z) - A Molecular Multimodal Foundation Model Associating Molecule Graphs with
Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。
我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文 参考訳（メタデータ） (2022-09-12T00:56:57Z) - Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
本稿では,化学反応を用いて分子表現の学習を支援することを提案する。
本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。
実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
論文 参考訳（メタデータ） (2021-09-21T00:08:43Z) - Knowledge-aware Contrastive Molecular Graph Learning [5.08771973600915]
自己監督型分子表現学習のためのコントラシブナレッジアウェアGNN(CKGNN)を提案する。
私たちは、コントラスト学習フレームワークの下で知識認識分子エンコーダを介してドメイン知識を明示的にエンコードします。
8つの公開データセットの実験は、平均で6%の絶対的な改善と私たちのモデルの有効性を示しています。
論文 参考訳（メタデータ） (2021-03-24T08:55:08Z) - MolCLR: Molecular Contrastive Learning of Representations via Graph
Neural Networks [11.994553575596228]
MolCLRは、大規模なラベルなしの分子データセットのための自己監視学習フレームワークです。
原子マスキング、結合除去、サブグラフ除去の3つの新しい分子グラフ増強法を提案する。
提案手法は,多くの挑戦的データセットに対して最先端の性能を実現する。
論文 参考訳（メタデータ） (2021-02-19T17:35:18Z) - Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
分子表現学習のための新しいフレームワークGROVERを提案する。
GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。
分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
論文 参考訳（メタデータ） (2020-06-18T08:37:04Z)
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。