論文の概要: Fragment-Level Graph Encoding for Interpretable Molecular Property Prediction

• arxiv url: http://arxiv.org/abs/2610.29589v1
• Date: Wed, 21 Oct 2026 11:29:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.347018
• Title: Fragment-Level Graph Encoding for Interpretable Molecular Property Prediction
• Title（参考訳）: 分子特性予測のためのフラグメントレベルグラフ符号化
• Abstract要約: グラフニューラルネットワーク(GNN)は、分子特性予測の標準ツールの一つである。 本稿では,新しいモデルではなく,入力表現の変更を提案する。 分子はBRICS分解からフラグメントレベルグラフとして符号化される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks (GNNs) are among the standard tools for molecular property prediction, but the atom-level explanations of their predictions are hard for medicinal chemists to act on. We propose a change of input representation rather than a new model: molecules are encoded as fragment-level graphs from BRICS decomposition, where each node is a synthetically meaningful fragment whose features are the element-wise sum of its atoms' features. Because only the representation changes, any message-passing GNN and any post-hoc attribution method produces explanations at the resolution of functional groups instead of single atoms. Across four architectures, four prediction tasks, and two explainers under scaffold splits, fragment-level encoding matches atom-level test accuracy on roughly five-fold smaller graphs. Integrated-Gradients attributions recover known pharmacophores above chance on two enzyme targets, namely BACE at 1.5 times the chance rate, and PTR1 at 3.2 times. A like-for-like comparison against an aggregated atom-level baseline shows that post-hoc aggregation is not a stable substitute: its BACE hit rate range both exceeds and falls below the fragment model's hit rate depending on two arbitrary aggregation choices, whereas fragment-level training yields a single convention-free attribution at no predictive cost. The code is available at: https://github.com/4D-Lab/frame
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、分子特性予測の標準ツールであるが、それらの予測の原子レベルの説明は、薬理学者が行うのが難しい。 分子は、BRICS分解から断片レベルグラフとして符号化され、各ノードは、その原子の特徴の要素的和である合成的に意味のある断片である。 表現だけを変えるため、メッセージ通過GNNとポストホック帰属法は、単一の原子の代わりに関数群の分解で説明を生成する。 4つのアーキテクチャ、4つの予測タスク、2つの説明器、断片レベルの符号化は、およそ5倍の小さなグラフ上で原子レベルのテスト精度と一致する。 統合グラディエントは2つの酵素標的であるBACEを1.5倍、PTR1を3.2倍の確率で回収する。 BACEのヒットレート範囲は、2つの任意のアグリゲーション選択によってフラグメントモデルのヒットレートを上回り、下降するのに対し、フラグメントレベルのトレーニングは予測コストなしで単一のコンベンションフリー属性をもたらす。 コードは、https://github.com/4D-Lab/frame.comで入手できる。

関連論文リスト

• Faithful, Sufficient and Understandable: Rethinking Graph Counterfactual Explanations via Discrete Diffusion Inversion [0.8594140167290097]
  グラフニューラルネットワーク(GNN)は、化学、生物学、ネットワーク分析といった分野にわたるグラフ構造化データに対して、強い予測性能を達成する。 それらの予測に関する本質的な説明は提供されていない。 否定的な説明は、モデルの予測を変える最小限の構造的な変更を明らかにすることで、この問題に対処する。 Inversion (GDCE-I) を用いたグラフ拡散対実説明法を提案する。
  論文  参考訳（メタデータ） (2026-08-12T14:04:49Z)
• GLACIER: Rethinking Mass Spectrum Prediction as an Object Detection Problem [26.455340248074222]
  分子グラフのための単一段変圧器を用いたフラグメント検出ニューラルネットワークであるGLACIERを紹介する。 GLACIERは既存の最先端技術よりも高速で精度が高い。
  論文  参考訳（メタデータ） (2026-06-28T02:52:39Z)
• h-MINT: Modeling Pocket-Ligand Binding with Hierarchical Molecular Interaction Network [39.785587774740314]
  本稿では,新しいデータ駆動型分子トークン化法を提案する。 既存手法とは異なり,本手法では,小分子サブ構造のファジィ境界を反映して,重複するフラグメントを許容する。 我々は,原子レベルとフラグメントレベルでの相互作用を共同でモデル化できる階層的分子相互作用ネットワークを開発した。
  論文  参考訳（メタデータ） (2026-04-25T04:25:50Z)
• Fragment-based Pretraining and Finetuning on Molecular Graphs [0.0]
  標識されていない分子データは豊富になり、化学領域におけるGNNの自己教師付き学習の急速な発展を促進する。 本稿では,ノードレベルとグラフレベルの事前学習の限界を克服するために,フラグメントレベルでの事前学習を提案する。 グラフフラグメントに基づく事前学習(GraphFP)では,8つの共通分子ベンチマークのうち5つのパフォーマンスが向上し,少なくとも11.5%の長範囲生物学的ベンチマークのパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-10-05T03:01:09Z)
• 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)
• Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
  本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-05-18T07:27:18Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
  本稿では,化学反応を用いて分子表現の学習を支援することを提案する。 本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。 実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-21T00:08:43Z)
• Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
  本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。 SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
  論文  参考訳（メタデータ） (2021-03-05T09:03:03Z)

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。