論文の概要: MMGNN: Multi-level, multi-color graph neural networks for molecular property prediction

• arxiv url: http://arxiv.org/abs/2606.20906v1
• Date: Thu, 18 Jun 2026 20:03:35 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-06-23 11:20:10.515273
• Title: MMGNN: Multi-level, multi-color graph neural networks for molecular property prediction
• Title（参考訳）: MMGNN:分子特性予測のためのマルチレベル多色グラフニューラルネットワーク
• Authors: Trung Nguyen, Duc Duy Nguyen,
• Abstract要約: マルチレベル多色グラフニューラルネットワーク(MMGNN)について紹介する。 MMGNNは分子グラフを重なり合う原子型ペア固有部分グラフに分解する階層的なフレームワークである。 我々は,MMGNNをMoeculeNetの5つの分類と3つの回帰ベンチマークで評価した。
• 参考スコア（独自算出の注目度）: 2.4206828137867107
• License:
• Abstract: Molecular message-passing neural networks commonly propagate chemically diverse interactions through a single graph, which may mix interaction-specific signals and require deep propagation to capture long-range effects. We introduce the Multi-level, Multi-color Graph Neural Network (MMGNN), a hierarchical framework that decomposes a molecular graph into overlapping atom-type-pair-specific subgraphs while preserving atom-level resolution. MMGNN-2D constructs chemical-colored subgraphs from covalent connectivity, whereas MMGNN-3D constructs geometric-colored subgraphs from spatial proximity and augments their edges with distance, angular, and torsional descriptors. Both variants apply a shared communicative message-passing backbone to each subgraph and combine the resulting representations through atom-wise aggregation and molecular readout. We evaluated MMGNN on five classification and three regression benchmarks from MoleculeNet using common scaffold splits and five independent runs. MMGNN-2D achieved the highest macro-average AUC-ROC of 0.838 across the classification datasets and the lowest RMSE on ESOL (0.803). MMGNN-3D obtained the highest mean AUC-ROC on BBBP (0.956) and the lowest RMSE on FreeSolv (1.793), indicating complementary strengths of topological and geometric representations. Structural and leave-one-out analyses further illustrate how the subgraph decomposition affects learned representations and atom-type-pair sensitivities. These results support overlapping interaction-specific graph decomposition as a competitive strategy for molecular property prediction.
• Abstract（参考訳）: 分子的メッセージパッシングニューラルネットワークは、化学的に多様な相互作用を単一のグラフを通じて伝播する。 分子グラフを重なり合う原子型ペア固有部分グラフに分解し,原子レベルの分解能を維持した階層的フレームワークであるMulti-level, Multi-color Graph Neural Network (MMGNN)を紹介する。 MMGNN-2Dは共有接続性から化学色の部分グラフを構築するのに対し、MMGNN-3Dは空間的近接性から幾何学色の部分グラフを構築し、距離、角、およびねじりの記述子でエッジを拡大する。 どちらの変種も、各サブグラフに共有コミュニケートなメッセージパスバックボーンを適用し、その結果の表現を原子ワイドアグリゲーションと分子読み取りで結合する。 一般的なスキャフォールド分割と5つの独立した実行を用いて,MMGNNを5つの分類と3つの回帰ベンチマークで評価した。 MMGNN-2Dは、分類データセットで0.838のマクロ平均AUC-ROC、ESOLで0.803のRMSEを達成した。 MMGNN-3D は BBBP (0.956) で AUC-ROC が最も高く、FreeSolv (1.793) では RMSE が最も低く、位相的および幾何学的表現の相補的な強度を示している。 構造的および出発点分析は、サブグラフ分解が学習された表現と原子型ペア感性にどのように影響するかをさらに示している。 これらの結果は、相互作用特異的グラフ分解を分子特性予測の競合戦略として支持する。

関連論文リスト

• Topology-Aware Multiscale Mixture of Experts for Efficient Molecular Property Prediction [4.631359750094176]
  幾何距離にわたる相互作用モデリングに適応するために,MI-MoE(Multiscale Interaction Mixture of Experts)を提案する。 我々は,(1)単一カットオフにコミットすることなく,短距離,中距離,長距離の相互作用を明示的にキャプチャする距離カットの専門家アンサンブル,(2)持続的ホモロジー特徴を含むフィルタベースの記述子を用いて,専門家に入力をルーティングするトポロジ的ゲーティングエンコーダを設計し,(3)MI-MoEは,多種多様な分子および高分子特性予測ベンチマークデータセットにわたって,複数の強力な3D分子バックボーンを一貫して改善するプラグインモジュールであることを示す。
  論文  参考訳（メタデータ） (2026-01-19T00:54:24Z)
• Geometric Multi-color Message Passing Graph Neural Networks for Blood-brain Barrier Permeability Prediction [1.488392495573075]
  本稿では,幾何学的多色メッセージパッシンググラフニューラルネットワーク(GMC-MPNN)を提案する。 本モデルは,血液脳関門透過性を規定する空間的関係と化学的文脈を捉えるために,原子タイプに基づく重み付きカラーサブグラフを構築した。
  論文  参考訳（メタデータ） (2025-07-25T03:38:46Z)
• 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)
• 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)
• Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity [52.67037774136973]
  薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。 近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。 ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
  論文  参考訳（メタデータ） (2021-07-21T03:34:09Z)
• 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。