論文の概要: GraphCliff: Short-Long Range Gating for Subtle Differences but Critical Changes

• arxiv url: http://arxiv.org/abs/2511.03170v1
• Date: Wed, 05 Nov 2025 04:38:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.322126
• Title: GraphCliff: Short-Long Range Gating for Subtle Differences but Critical Changes
• Title（参考訳）: グラフクリフ:短距離ゲーティングで減産相変わらず-批判的な変化
• Authors: Hajung Kim, Jueon Park, Junseok Choe, Sheunheun Baek, Hyeon Hwang, Jaewoo Kang,
• Abstract要約: ゲーティング機構を通じて短距離情報と長距離情報を統合した新しいモデルGraphCliffを提案する。 実験結果から,GraphCliffは非クリフ化合物と崖化合物の両方の性能を一貫して改善することが示された。
• 参考スコア（独自算出の注目度）: 15.292802880893339
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantitative structure-activity relationship assumes a smooth relationship between molecular structure and biological activity. However, activity cliffs defined as pairs of structurally similar compounds with large potency differences break this continuity. Recent benchmarks targeting activity cliffs have revealed that classical machine learning models with extended connectivity fingerprints outperform graph neural networks. Our analysis shows that graph embeddings fail to adequately separate structurally similar molecules in the embedding space, making it difficult to distinguish between structurally similar but functionally different molecules. Despite this limitation, molecular graph structures are inherently expressive and attractive, as they preserve molecular topology. To preserve the structural representation of molecules as graphs, we propose a new model, GraphCliff, which integrates short- and long-range information through a gating mechanism. Experimental results demonstrate that GraphCliff consistently improves performance on both non-cliff and cliff compounds. Furthermore, layer-wise node embedding analyses reveal reduced over-smoothing and enhanced discriminative power relative to strong baseline graph models.
• Abstract（参考訳）: 定量的構造-活性関係は、分子構造と生物活性の円滑な関係を仮定する。 しかし、活性崖は構造的に類似した化合物のペアとして定義され、その連続性は大きく異なる。 最近のベンチマークでは、拡張接続指紋を持つ古典的な機械学習モデルがグラフニューラルネットワークを上回っていることが明らかになった。 グラフ埋め込みは, グラフ埋め込み空間において構造的に類似した分子を適切に分離することができず, 構造的に類似しているが機能的に異なる分子を区別することが困難であることを示す。 この制限にもかかわらず、分子グラフ構造は本質的に表現力があり、分子トポロジーを保存するため魅力的である。 グラフとして分子の構造的表現を維持するため,ゲーティング機構を通じて短距離情報と長距離情報を統合した新しいモデルGraphCliffを提案する。 実験結果から,GraphCliffは非クリフ化合物と崖化合物の両方の性能を一貫して改善することが示された。 さらに, 層状ノード埋め込み解析により, 強いベースライングラフモデルに対して, 過平滑化と識別能力の向上が示された。

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 [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)
• 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)
• Enhancing Model Learning and Interpretation Using Multiple Molecular Graph Representations for Compound Property and Activity Prediction [0.0]
  本研究では,高次情報を含む複数の分子グラフ表現を導入する。 モデル学習と多様な視点からの解釈に対するそれらの効果について研究する。 その結果, 原子グラフ表現と分子グラフ表現の低減を組み合わせれば, 有望なモデル性能が得られることがわかった。
  論文  参考訳（メタデータ） (2023-04-13T04:20:30Z)
• 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)
• Interpretable Molecular Graph Generation via Monotonic Constraints [19.401468196146336]
  ディープグラフ生成モデルは、分子設計をグラフ生成問題として扱う。 既存のモデルには多くの欠点があり、解釈性や所望の分子特性に対する制御性が低い。 本稿では,分子生成の解釈可能なモデルと深層制御可能なモデルを用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-28T08:35:56Z)
• GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
  本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。 学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
  論文  参考訳（メタデータ） (2020-07-07T16:51:39Z)

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。