带你读论文：分子图表示学习

论文：《Hierarchical Inter-Message Passing for Learning on Molecular Graphs》

背景介绍：

分子图表示学习：一般来说，我们所使用的一些方法是对一个图中的结点或者边进行表示学习，学习出他的embedding，而分子图表示学习是指学习出一整个分子图的embedding。

分子图表示学习的意义：

1.对于分子特征或者功能学习有重要意义

2.对于我们当前的一些任务，使用SMILES等方式来表示分子结构或者序列，丢失信息较多，有时SMILES等特征发现对结果提升并不高

方法：

常规图表示学习流程：

如上图所示，常规图表示流程一般是先有特征或者随机初始化的实体变量特征，然后首先进行聚合操作（aggregate），也就是将邻居节点的信息聚合到本节点，之后就是对自己的信息和聚合的信息进行操作，来update自己的特征。然后，每个节点就有了自己的特征，就可以做一些分类或者link prediction的任务了，而分子表达学习这里会将所有的节点的特征进行累加或者其他的求和操作，来得到整个分子图的embedding，毕竟对于一个分子图来说，一个分子就是一个graph，而不是其他方法中代表某一个生物实体。

下面是本文对比的方法之一GIN，

而本文主要解决的是什么问题呢？

常规图表示学习遇到的问题：环状结构不好进行检测与处理

解决逻辑思路：这种带有环状结构的分子图，能否将环状结构转换成其他的结构呢？换言之，有没有一种方法能够将有环图转化为无环图并且能够保证分子的大致结构呢？有，图的树分解

图的树分解的最初工作可以追溯到1998年【1】，他的主要目的就是将分子图转换为一个树形图，而这个树形图中的结点就不再是单一结点，而被称为 cluster（簇）

【1】Rarey, M. and Dixon, J. S. Feature trees: A new molecular similarity measure based on tree matching. Journalof Computer-aided Molecular Design, 12(5):471–490,1998.

方法：

首先是本文基于的对图进行树分解的方法，可以理解为将一个graph转成一个tree的过程

这里主要是一段介绍tree decomposition的方法，其实核心思路就是将多个节点看作是一个整体，成为簇，然后labeling，这样，环状结构就变成了一个单独的节点，这样最后的graph中就不含环状图了。

本文方法：本文融合了原分子图以及原分子图进行树分解之后的树型图两种图的表示方法，本文有两套模型，分别从原分子图以及树型图中进行图表达学习，又学习了原分子图，又排除了环状结构的干扰，然后最后将他们进行拼接，其中作者还提出了一种粗到细，细到粗的模型间的传递方法。模型大体如下：

这中间，有一段互相传递的过程，因为直接从树图中进行消息传递和更新，会丢失许多结构信息和一些其他信息，所以还需要在一定程度上保留原图的信息，所以要原图和转成的树图一起来进行消息传递和更新，这中间，他们有一个交流的过程：

然后是将两者最终的结果拼接起来:

实验结果分析：

实验1：ZINC实验：回归分子的受限溶解度

虽然这是一个简单的可以通过直接计算得到的数值，但是这个实验依然能够证明方法的有效性。

实验2：MoleculeNet Datasets实验

任务是预测某些分子特性（以二进制标记显示），例如，某个分子是否抑制HIV病毒复制，可以理解为多分类任务

实验3：OGB Datasets实验：

并且这里还有一个结论：

他们的模型结合少量的层（2层或3层）可达到最佳效果，使其运行时和内存需求与其他baseline（使用5层）相当。这可以通过以下事实来解释：附加的从粗到细的信息流增加了GNN的接收场大小，因此省略了堆叠多个层的需要。

启发：

1.主要是作为后续的研究方向进行的调研

2.当某种问题不好解决的时候尝试考虑另外一种view，用以解决方法局限问题

3.分子表达学习的话有标准数据集，可能以此为研究方向的话数据方面可能相对来说收集难度稍微小一些。

4.类似attention的机制还可以继续进行开发，分子表达学习应该暂时还进展不深，相关文献不多，但是无论是单独研究，还是通过这种新颖的方式加入到我们现有的工作中，这些都感觉是很不错的工作。

欢迎关注我的CSDN博客：https://blog.csdn.net/deep_revealer

欢迎关注我的微信公众号：深度revealer

欢迎关注我的github：https://github.com/Zhankun-Xiong

带你读论文：分子图表示学习相关推荐

搞科研，从好好读论文开始：沈向洋带你读论文了
「或许你永远不知道你以前读过的书能在什么时候派上用场,但请保持阅读,因为阅读的过程也是在你大脑中建立认知的过程.」对于科研人员来说,读论文是一种必修技能.去年,沈向洋博士曾在线上公开课<You ...
带你读论文系列之计算机视觉--GoogLeNet
带你读论文系列之计算机视觉–GoogLeNet 0 闲谈玩起手机,看着电视,所有的计划都被抛之脑后,此时的快乐是深夜不舍睡下的愧疚.我总是想着明天怎么,而有时不知珍惜当下:总想着那些离开的朋友,而对 ...
带你读论文系列之计算机视觉--DenseNet
带你读论文系列之计算机视觉–DenseNet 情若能自控,我定会按捺住我那颗吃货的心. 闲谈今天听了师兄申请博士的经验.第一是感觉历程很心累,压力也很大:二是成功后很喜悦:三是成果很重要,其次是关系 ...
带你读论文系列之计算机视觉--SENet
带你读论文系列之计算机视觉–SENet 闲谈总有那么瞬间思念远方的故人.八月十五中秋节,让我们放下繁忙工作,回家与老人团圆举杯共餐.这是我第一次没有在家过中秋,感觉也还行.现在节日没有什么节日气氛, ...
论文浅尝 | 融合多层次领域知识的分子图对比学习
笔记整理 | 方尹,浙江大学在读博士,研究方向:图表示学习论文地址:https://arxiv.org/pdf/2106.04509.pdf 动机目前基于图的对比学习有以下几个问题: 不同领域的图 ...
员外带你读论文：SeqGAN论文分享
本次要分享和总结的论文为:,其论文链接SeqGAN,源自 ,参考的实现代码链接代码实现. 本篇论文结合了和的知识,整篇论文读下来难度较大,在这里就浅薄的谈下自己的见解. 好了,老规矩,带着代码 ...
员外带你读论文：LINE: Large-scale Information Network Embedding
本次要总结和分享的论文是 LINE: Large-scale Information Network Embedding,其链接论文[1],所参考的实现代码 code[2],这篇论文某些细节读起来有 ...
带你读论文丨基于视觉匹配的自适应文本识别
摘要:ECCV2020 通过视觉匹配的方法来做文本识别,解决文档识别中的文本识别多样性和泛化性问题本文分享自华为云社区<论文解读二十三:基于视觉匹配的自适应文本识别>,作者: woohe ...
带你读论文丨异常检测算法及发展趋势分析
摘要:本文根据对现有基于深度学习的异常检测算法的调研,介绍现有的深度异常检测算法,并对深度异常检测算法的未来发展趋势进行大致的预测. 本文分享自华为云社区<[论文阅读]异常检测算法及发展趋势分析 ...

带你读论文：分子图表示学习

带你读论文：分子图表示学习相关推荐

最新文章

热门文章