論文の概要: HiGNN: Hierarchical Informative Graph Neural Networks for Molecular
Property Prediction Equipped with Feature-Wise Attention
- arxiv url: http://arxiv.org/abs/2208.13994v1
- Date: Tue, 30 Aug 2022 05:16:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-31 13:38:59.121172
- Title: HiGNN: Hierarchical Informative Graph Neural Networks for Molecular
Property Prediction Equipped with Feature-Wise Attention
- Title（参考訳）: HiGNN: 特徴量を考慮した分子特性予測のための階層型インフォーマティブグラフニューラルネットワーク
- Authors: Weimin Zhu, Yi Zhang, DuanCheng Zhao, Jianrong Xu, and Ling Wang
- Abstract要約: 分子特性を予測するための階層型情報グラフニューラルネットワークフレームワーク(HiGNN)を提案する。
実験により、HiGNNは、多くの挑戦的な薬物発見関連ベンチマークデータセットに対して最先端の予測性能を達成することが示された。
- 参考スコア（独自算出の注目度）: 5.735627221409312
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Elucidating and accurately predicting the druggability and bioactivities of
molecules plays a pivotal role in drug design and discovery and remains an open
challenge. Recently, graph neural networks (GNN) have made remarkable
advancements in graph-based molecular property prediction. However, current
graph-based deep learning methods neglect the hierarchical information of
molecules and the relationships between feature channels. In this study, we
propose a well-designed hierarchical informative graph neural networks
framework (termed HiGNN) for predicting molecular property by utilizing a
co-representation learning of molecular graphs and chemically synthesizable
BRICS fragments. Furthermore, a plug-and-play feature-wise attention block is
first designed in HiGNN architecture to adaptively recalibrate atomic features
after the message passing phase. Extensive experiments demonstrate that HiGNN
achieves state-of-the-art predictive performance on many challenging drug
discovery-associated benchmark datasets. In addition, we devise a
molecule-fragment similarity mechanism to comprehensively investigate the
interpretability of HiGNN model at the subgraph level, indicating that HiGNN as
a powerful deep learning tool can help chemists and pharmacists identify the
key components of molecules for designing better molecules with desired
properties or functions. The source code is publicly available at
https://github.com/idruglab/hignn.
- Abstract（参考訳）: 分子の薬物感受性と生物活性を解明し正確に予測することは、薬物の設計と発見において重要な役割を果たす。
近年,グラフニューラルネットワーク (GNN) はグラフに基づく分子特性予測において顕著な進歩を遂げている。
しかし、現在のグラフに基づくディープラーニング手法は、分子の階層的情報や特徴チャネル間の関係を無視している。
本研究では,分子グラフと化学合成可能なBRICSフラグメントの共表現学習を利用して,分子特性を予測する階層型情報グラフニューラルネットワークフレームワーク(HiGNN)を提案する。
さらに、HGNNアーキテクチャでは、メッセージパッシングフェーズ後にアトミックな特徴を適応的に再調整するプラグイン・アンド・プレイ・アテンションブロックが最初に設計されている。
広範な実験により、hignnは多くの挑戦的な薬物発見関連ベンチマークデータセットで最先端の予測性能を達成できることが示されている。
さらに, 分子フラグメント類似性機構を考案し, HiGNNモデルのサブグラフレベルでの解釈可能性について包括的に検討し, 強力な深層学習ツールとしてのHiGNNが, 望ましい性質や機能を持つ分子を設計するための分子の重要な構成要素を特定するのに役立つことを示した。
ソースコードはhttps://github.com/idruglab/hignn.comで公開されている。
関連論文リスト
- Molecular Graph Representation Learning via Structural Similarity Information [11.38130169319915]
我々は新しい分子グラフ表現学習法である textbf Structure similarity Motif GNN (MSSM-GNN) を紹介する。
特に,分子間の類似性を定量的に表現するために,グラフカーネルアルゴリズムを利用した特殊設計グラフを提案する。
我々はGNNを用いて分子グラフから特徴表現を学習し、追加の分子表現情報を組み込むことで特性予測の精度を高めることを目的としている。
論文 参考訳（メタデータ） (2024-09-13T06:59:10Z) - 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) - MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular
Representation Learning [77.31492888819935]
分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。
MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。
いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
論文 参考訳（メタデータ） (2022-12-20T19:32:30Z) - 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) - 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) - Few-Shot Graph Learning for Molecular Property Prediction [46.60746023179724]
分子特性予測の新しいモデルであるMeta-MGNNを提案する。
ラベルのない分子情報を利用するため、Meta-MGNNはさらに分子構造、属性ベースの自己監視モジュール、および自己注意のタスクウェイトを組み込む。
2つの公開マルチプロパティデータセットに関する広範な実験は、Meta-MGNNがさまざまな最先端のメソッドを上回っていることを示しています。
論文 参考訳（メタデータ） (2021-02-16T01:55:34Z) - Distance-aware Molecule Graph Attention Network for Drug-Target Binding
Affinity Prediction [54.93890176891602]
薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。
そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。
また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
論文 参考訳（メタデータ） (2020-12-17T17:44:01Z) - Graph Neural Network Architecture Search for Molecular Property
Prediction [1.0965065178451106]
分子特性予測のためのグラフニューラルネットワーク(GNN)の設計と開発を自動化するNAS手法を開発した。
具体的には、量子力学および物理化学データセットにおける小分子の分子特性を予測するために、メッセージパッシングニューラルネットワーク(MPNN)の自動開発に焦点を当てる。
論文 参考訳（メタデータ） (2020-08-27T15:30:57Z) - 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) - Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。
MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。
我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
論文 参考訳（メタデータ） (2020-05-17T04:46:07Z)
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。