論文の概要: BiScale-GTR: Fragment-Aware Graph Transformers for Multi-Scale Molecular Representation Learning

• arxiv url: http://arxiv.org/abs/2604.06336v1
• Date: Tue, 07 Apr 2026 18:16:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.174835
• Title: BiScale-GTR: Fragment-Aware Graph Transformers for Multi-Scale Molecular Representation Learning
• Title（参考訳）: BiScale-GTR:マルチスケール分子表現学習のためのフラグメント対応グラフ変換器
• Authors: Yi Yang, Ovidiu Daescu,
• Abstract要約: 本稿では,自己制御分子表現のための統合フレームワークであるBiScale-GTRを紹介する。 本稿では,BiScale-GTRが化学的に有意な機能モチーフを強調し,分子構造と予測特性の解釈可能なリンクを提供することを示す。
• 参考スコア（独自算出の注目度）: 7.686673183862666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Transformers have recently attracted attention for molecular property prediction by combining the inductive biases of graph neural networks (GNNs) with the global receptive field of Transformers. However, many existing hybrid architectures remain GNN-dominated, causing the resulting representations to remain heavily shaped by local message passing. Moreover, most existing methods operate at only a single structural granularity, limiting their ability to capture molecular patterns that span multiple molecular scales. We introduce BiScale-GTR, a unified framework for self-supervised molecular representation learning that combines chemically grounded fragment tokenization with adaptive multi-scale reasoning. Our method improves graph Byte Pair Encoding (BPE) tokenization to produce consistent, chemically valid, and high-coverage fragment tokens, which are used as fragment-level inputs to a parallel GNN-Transformer architecture. Architecturally, atom-level representations learned by a GNN are pooled into fragment-level embeddings and fused with fragment token embeddings before Transformer reasoning, enabling the model to jointly capture local chemical environments, substructure-level motifs, and long-range molecular dependencies. Experiments on MoleculeNet, PharmaBench, and the Long Range Graph Benchmark (LRGB) demonstrate state-of-the-art performance across both classification and regression tasks. Attribution analysis further shows that BiScale-GTR highlights chemically meaningful functional motifs, providing interpretable links between molecular structure and predicted properties. Code will be released upon acceptance.
• Abstract（参考訳）: グラフトランスフォーマーは近年,グラフニューラルネットワーク(GNN)の帰納バイアスと大域的受容領域を組み合わせた分子特性予測に注目されている。 しかし、多くの既存のハイブリッドアーキテクチャはGNNが支配的であり、その結果の表現はローカルメッセージパッシングによって大きく形づくられる。 さらに、既存のほとんどのメソッドは単一の構造的な粒度でしか動作せず、複数の分子スケールにまたがる分子パターンを捉える能力を制限する。 ケミカルグラウンドのフラグメントトークン化と適応型マルチスケール推論を組み合わせた自己教師付き分子表現学習のための統合フレームワークであるBiScale-GTRを紹介する。 本手法は, 並列GNN-Transformerアーキテクチャへのフラグメントレベル入力として使用される, 一貫性, 化学的に有効な, 高被覆のフラグメントトークンを生成するために, グラフバイトペア符号化(BPE)トークン化を改善する。 アーキテクチャ上、GNNによって学習された原子レベルの表現はフラグメントレベルの埋め込みにプールされ、トランスフォーマー推論の前にフラグメントトークンの埋め込みで融合される。 MoleculeNet、PharmaBench、Long Range Graph Benchmark(LRGB)の実験は、分類タスクと回帰タスクの両方で最先端のパフォーマンスを示している。 属性分析により、BiScale-GTRは化学的に意味のある機能モチーフを強調し、分子構造と予測された性質の間の解釈可能なリンクを提供することが示された。 コードは受理時にリリースされる。

関連論文リスト

• Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
  この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。 分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。 細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T04:35:50Z)
• 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)
• FragmentNet: Adaptive Graph Fragmentation for Graph-to-Sequence Molecular Representation Learning [0.09986418756990159]
  分子グラフを化学的に有効なフラグメントに分解する適応型学習トークン化器を備えたグラフからシーケンスへの基礎モデルであるFragmentNetを紹介する。 FragmentNetは、階層的な断片埋め込みのためのVQVAE-GCN、グラフシリアライゼーションのための空間的位置符号化、グローバルな分子記述子、トランスフォーマーを統合する。
  論文  参考訳（メタデータ） (2025-02-03T09:21:49Z)
• GraphXForm: Graph transformer for computer-aided molecular design [73.1842164721868]
  既存の化合物を事前訓練したデコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormを提案する。 種々の薬物設計タスクで評価し、最先端の分子設計手法と比較して優れた客観的スコアを示す。
  論文  参考訳（メタデータ） (2024-11-03T19:45:15Z)
• 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)
• Multiresolution Graph Transformers and Wavelet Positional Encoding for Learning Hierarchical Structures [6.875312133832078]
  複数のスケールで大きな分子を表現できる最初のグラフトランスアーキテクチャであるMulti resolution Graph Transformer (MGT)を提案する。 MGTは原子の表現を学習し、それらを有意義な官能基または繰り返し単位に分類することができる。 提案モデルでは, 高分子とペプチドからなるマクロ分子データセットと, 薬物様分子データセットの2つの結果を得た。
  論文  参考訳（メタデータ） (2023-02-17T01:32:44Z)
• 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)
• 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。