論文の概要: M-GLC: Motif-Driven Global-Local Context Graphs for Few-shot Molecular Property Prediction

• arxiv url: http://arxiv.org/abs/2510.21088v1
• Date: Fri, 24 Oct 2025 02:00:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.355953
• Title: M-GLC: Motif-Driven Global-Local Context Graphs for Few-shot Molecular Property Prediction
• Title（参考訳）: M-GLC:分子特性予測のためのモチーフ駆動グローバルローカルコンテキストグラフ
• Authors: Xiangyang Xu, Hongyang Gao,
• Abstract要約: FSMPP(Few-shot Molecular Property Prediction)は、医薬品の発見と材料科学の基礎である。 我々は、Motif Driven Global-Local Context Graphという包括的なソリューションを提案する。 グローバルレベルでは、共有サブ構造を表す化学的に有意なモチーフノードを導入し、グローバルな三部構造不均一グラフを形成する。 局所レベルでは、分子プロパティペアの各ノードのサブグラフを構築し、それらを個別に符号化し、最も情報に富む隣り合う分子にモデルの注意を集中させる。
• 参考スコア（独自算出の注目度）: 17.236893652698196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular property prediction (MPP) is a cornerstone of drug discovery and materials science, yet conventional deep learning approaches depend on large labeled datasets that are often unavailable. Few-shot Molecular property prediction (FSMPP) addresses this scarcity by incorporating relational inductive bias through a context graph that links molecule nodes to property nodes, but such molecule-property graphs offer limited structural guidance. We propose a comprehensive solution: Motif Driven Global-Local Context Graph for few-shot molecular property prediction, which enriches contextual information at both the global and local levels. At the global level, chemically meaningful motif nodes representing shared substructures, such as rings or functional groups, are introduced to form a global tri-partite heterogeneous graph, yielding motif-molecule-property connections that capture long-range compositional patterns and enable knowledge transfer among molecules with common motifs. At the local level, we build a subgraph for each node in the molecule-property pair and encode them separately to concentrate the model's attention on the most informative neighboring molecules and motifs. Experiments on five standard FSMPP benchmarks demonstrate that our framework consistently outperforms state-of-the-art methods. These results underscore the effectiveness of integrating global motif knowledge with fine-grained local context to advance robust few-shot molecular property prediction.
• Abstract（参考訳）: 分子特性予測(MPP)は、薬物発見と材料科学の基盤であるが、従来のディープラーニングアプローチは、しばしば利用できない大きなラベル付きデータセットに依存している。 Few-shot Molecular Property Prediction (FSMPP) は、分子ノードをプロパティノードにリンクするコンテキストグラフを通じて、リレーショナル帰納バイアスを組み込むことによって、この不足に対処するが、そのような分子固有性グラフは限定的な構造ガイダンスを提供する。 分子特性予測のためのモチーフ駆動型グローバルローカルコンテキストグラフを提案し、グローバルレベルとローカルレベルの両方でコンテキスト情報を豊かにする。 グローバルレベルでは、環や官能基などの共有サブ構造を表す化学的に有意なモチーフノードを導入し、大域的な三部構造不均一グラフを形成し、長距離構成パターンを捕捉し、共通モチーフを持つ分子間の知識伝達を可能にするモチーフ-分子-プロパティ結合を生成する。 局所レベルでは、分子プロパティペアの各ノードのサブグラフを構築し、それらを個別に符号化し、最も情報に富む隣の分子やモチーフにモデルの注意を集中させる。 5つの標準FSMPPベンチマークの実験は、我々のフレームワークが最先端の手法を一貫して上回っていることを示している。 これらの結果は,大域的なモチーフ知識を局所的な微粒な文脈に統合し,ロバストな数ショットの分子特性予測を推し進めることの有効性を裏付けるものである。

関連論文リスト

• Multi-Level Fusion Graph Neural Network for Molecule Property Prediction [8.629821238312621]
  グラフアテンションネットワークと新しいグラフ変換器を統合したマルチレベルフュージョングラフニューラルネットワーク(MLFGNN)を提案する。 複数のベンチマークデータセットの実験により、MLFGNNは、分類タスクと回帰タスクの両方において、最先端のメソッドを一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2025-07-04T09:38:19Z)
• Knowledge-aware contrastive heterogeneous molecular graph learning [77.94721384862699]
  分子グラフを不均一な分子グラフ学習(KCHML)に符号化するパラダイムシフトを提案する。 KCHMLは、不均一な分子グラフと二重メッセージパッシング機構によって強化された3つの異なるグラフビュー-分子、元素、薬理学-を通して分子を概念化する。 この設計は、プロパティ予測やドラッグ・ドラッグ・インタラクション(DDI)予測などの下流タスクに対する包括的な表現を提供する。
  論文  参考訳（メタデータ） (2025-02-17T11:53:58Z)
• 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)
• MultiModal-Learning for Predicting Molecular Properties: A Framework Based on Image and Graph Structures [2.5563339057415218]
  MolIGは、画像とグラフ構造に基づいて分子特性を予測するための、新しいMultiModaL分子事前学習フレームワークである。 両者の分子表現の強さを融合させる。 ベンチマークグループ内の分子特性予測に関連する下流タスクでは、パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-11-28T10:28:35Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  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)
• 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)
• ASGN: An Active Semi-supervised Graph Neural Network for Molecular Property Prediction [61.33144688400446]
  本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。 教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。 最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:22:39Z)

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。