論文の概要: Context-aware Graph Causality Inference for Few-Shot Molecular Property Prediction

• arxiv url: http://arxiv.org/abs/2601.11135v1
• Date: Fri, 16 Jan 2026 09:49:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.437963
• Title: Context-aware Graph Causality Inference for Few-Shot Molecular Property Prediction
• Title（参考訳）: Few-Shot分子特性予測のための文脈対応グラフ因果推論
• Authors: Van Thuy Hoang, O-Joun Lee,
• Abstract要約: 本稿では,文脈対応型グラフ因果推論フレームワークCaMolを提案する。 まず、官能基、分子、特性をリンクすることで化学知識を符号化するコンテキストグラフを導入する。 第2に,因果部分構造を混在する部分構造から切り離すための学習可能な原子マスキング戦略を提案する。 第3に, 因果部分構造と化学的に接地した共同設立者を組み合わせることで, バックドア調整を施した配電インターベンタを導入する。
• 参考スコア（独自算出の注目度）: 8.42839603549236
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular property prediction is becoming one of the major applications of graph learning in Web-based services, e.g., online protein structure prediction and drug discovery. A key challenge arises in few-shot scenarios, where only a few labeled molecules are available for predicting unseen properties. Recently, several studies have used in-context learning to capture relationships among molecules and properties, but they face two limitations in: (1) exploiting prior knowledge of functional groups that are causally linked to properties and (2) identifying key substructures directly correlated with properties. We propose CaMol, a context-aware graph causality inference framework, to address these challenges by using a causal inference perspective, assuming that each molecule consists of a latent causal structure that determines a specific property. First, we introduce a context graph that encodes chemical knowledge by linking functional groups, molecules, and properties to guide the discovery of causal substructures. Second, we propose a learnable atom masking strategy to disentangle causal substructures from confounding ones. Third, we introduce a distribution intervener that applies backdoor adjustment by combining causal substructures with chemically grounded confounders, disentangling causal effects from real-world chemical variations. Experiments on diverse molecular datasets showed that CaMol achieved superior accuracy and sample efficiency in few-shot tasks, showing its generalizability to unseen properties. Also, the discovered causal substructures were strongly aligned with chemical knowledge about functional groups, supporting the model interpretability.
• Abstract（参考訳）: 分子特性予測は、Webベースのサービス、例えばオンラインタンパク質構造予測や薬物発見において、グラフ学習の主要な応用の1つになりつつある。 重要な課題は、いくつかのラベル付き分子しか見えない性質を予測できない、数ショットのシナリオで発生する。 近年、いくつかの研究では、分子と性質間の関係を捉えるために、文脈内学習を用いているが、(1)特性に因果的に関連付けられた機能群の事前知識を活用すること、(2)性質と直接相関したキーサブ構造を特定すること、の2つの制限に直面している。 本稿では,各分子が特定の性質を決定する潜在因果構造から構成されていることを前提として,因果推論の観点からこれらの課題に対処するため,文脈対応グラフ因果推論フレームワークであるCaMolを提案する。 まず、官能基、分子、特性をリンクして化学知識を符号化し、因果部分構造の発見を導くコンテキストグラフを導入する。 第2に,因果部分構造を混在する部分構造から切り離すための学習可能な原子マスキング戦略を提案する。 第3に, 因果的部分構造と化学的に接地した共同設立者とを組み合わせることで, 実世界の化学変化による因果的影響を解消し, バックドア調整を施した配電インターベンタを導入する。 多様な分子データセットの実験により、CaMolは数発のタスクにおいて精度とサンプル効率に優れており、目に見えない性質への一般化性を示している。 また, 因果部分構造は, 官能基に関する化学的知識と強く一致し, モデル解釈可能性を支持した。

関連論文リスト

• Enhancing Chemical Explainability Through Counterfactual Masking [1.1024591739346294]
  マスクされたサブストラクチャを化学的に合理的な断片に置き換えるフレームワークである反ファクトファクトマスキングを提案する。 我々のアプローチは、説明可能性と分子設計のギャップを埋め、化学における説明可能な機械学習への原則的で生成的な経路を提供する。
  論文  参考訳（メタデータ） (2025-08-25T23:41:36Z)
• 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)
• FragNet: A Graph Neural Network for Molecular Property Prediction with Four Levels of Interpretability [0.7499722271664147]
  本稿では,主要なモデルにマッチするグラフニューラルネットワークを提案し,分子サブストラクチャの4つのレベルについて考察する。 このモデルは、特定の分子特性を予測する上で、どの原子、結合、分子フラグメント、およびフラグメント間の接続が重要であるかを特定するのに役立つ。
  論文  参考訳（メタデータ） (2024-10-16T01:37:01Z)
• Explainable Molecular Property Prediction: Aligning Chemical Concepts with Predictions via Language Models [26.838674632817877]
  言語モデルに基づく分子特性予測のためのフレームワークを開発し,これをLamoleと呼ぶ。 文字列ベースの分子表現 -- Group SELFIES -- を入力トークンとして、事前にトレーニングし、Lamoleを微調整します。 我々はLamoleが同等の分類精度を達成でき、説明精度を最大14.3%向上させることができることを示した。
  論文  参考訳（メタデータ） (2024-05-25T03:27:04Z)
• 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)
• Property-aware Adaptive Relation Networks for Molecular Property Prediction [34.13439007658925]
  分子特性予測問題に対する特性認識適応関係ネットワーク(PAR)を提案する。 我々のPARは、既存のグラフベースの分子エンコーダと互換性があり、プロパティ対応分子埋め込みとモデル分子関係グラフを得る能力も備えている。
  論文  参考訳（メタデータ） (2021-07-16T16:22:30Z)
• Flexible dual-branched message passing neural network for quantum mechanical property prediction with molecular conformation [16.08677447593939]
  メッセージパッシングフレームワークに基づく分子特性予測のための二重分岐ニューラルネットワークを提案する。 本モデルでは,様々なスケールで異種分子の特徴を学習し,予測対象に応じて柔軟に学習する。
  論文  参考訳（メタデータ） (2021-06-14T10:00:39Z)

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。