論文の概要: GoMS: Graph of Molecule Substructure Network for Molecule Property Prediction

• arxiv url: http://arxiv.org/abs/2512.12489v1
• Date: Sat, 13 Dec 2025 23:14:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.279932
• Title: GoMS: Graph of Molecule Substructure Network for Molecule Property Prediction
• Title（参考訳）: GoMS: 分子特性予測のための分子サブ構造ネットワークグラフ
• Authors: Shuhui Qu, Cheolwoo Park,
• Abstract要約: 本稿では分子サブストラクチャ間の相互作用と空間配置を明示的にモデル化する新しいアーキテクチャである分子サブストラクチャグラフ(GoMS)を提案する。 GoMSは、現実世界のアプリケーションのためのスケーラブルで解釈可能な分子特性予測への大きな進歩を示している。
• 参考スコア（独自算出の注目度）: 8.69010806582484
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While graph neural networks have shown remarkable success in molecular property prediction, current approaches like the Equivariant Subgraph Aggregation Networks (ESAN) treat molecules as bags of independent substructures, overlooking crucial relationships between these components. We present Graph of Molecule Substructures (GoMS), a novel architecture that explicitly models the interactions and spatial arrangements between molecular substructures. Unlike ESAN's bag-based representation, GoMS constructs a graph where nodes represent subgraphs and edges capture their structural relationships, preserving critical topological information about how substructures are connected and overlap within the molecule. Through extensive experiments on public molecular datasets, we demonstrate that GoMS outperforms ESAN and other baseline methods, with particularly improvements for large molecules containing more than 100 atoms. The performance gap widens as molecular size increases, demonstrating GoMS's effectiveness for modeling industrial-scale molecules. Our theoretical analysis demonstrates that GoMS can distinguish molecules with identical subgraph compositions but different spatial arrangements. Our approach shows particular promise for materials science applications involving complex molecules where properties emerge from the interplay between multiple functional units. By capturing substructure relationships that are lost in bag-based approaches, GoMS represents a significant advance toward scalable and interpretable molecular property prediction for real-world applications.
• Abstract（参考訳）: グラフニューラルネットワークは分子特性予測において顕著な成功を収めているが、Equivariant Subgraph Aggregation Networks (ESAN)のような現在のアプローチでは、分子を独立したサブ構造の袋として扱い、これらのコンポーネント間の決定的な関係を見越している。 本稿では分子サブストラクチャ間の相互作用と空間配置を明示的にモデル化する新しいアーキテクチャである分子サブストラクチャグラフ(GoMS)を提案する。 ESANのバッグベースの表現とは異なり、GoMSはノードがサブグラフを表現し、エッジがそれらの構造的関係をキャプチャするグラフを構築し、サブ構造がどのように結合され、分子内で重複しているかに関する重要なトポロジ的情報を保存している。 公開分子データセットに関する広範な実験を通じて、GoMSはESANや他のベースライン法よりも優れており、特に100以上の原子を含む大きな分子に対して改善されている。 分子サイズが大きくなるにつれて性能ギャップが拡大し、工業規模分子のモデリングにおけるGoMSの有効性が証明された。 理論的解析により、GoMSは同一のサブグラフ組成を持つ分子を識別できるが、空間配置が異なることが示されている。 本手法は,複数の機能ユニット間の相互作用から特性が現れる複雑な分子を含む材料科学応用に,特に有望であることを示す。 バッグベースのアプローチで失われるサブ構造関係を捉えることで、GoMSは実世界のアプリケーションにおいてスケーラブルで解釈可能な分子特性予測への大きな進歩を示している。

関連論文リスト

• 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)
• Multi-Modal Representation Learning for Molecular Property Prediction: Sequence, Graph, Geometry [6.049566024728809]
  深層学習に基づく分子特性予測は、従来の手法の資源集約性に対する解決策として登場した。 本稿では,分子特性予測のための新しいマルチモーダル表現学習モデルSGGRLを提案する。 モダリティ間の整合性を確保するため、SGGRLは異なる分子の類似性を最小化しながら同じ分子の表現の類似性を最大化するように訓練される。
  論文  参考訳（メタデータ） (2024-01-07T02:18:00Z)
• 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)
• 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)
• 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)

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。