Nature子刊 | 基于图神经网络的分子总括对比学习

化学键机器进修(ML)在化学键连续性先于测和药物辨认出之外不具备重要的应用前景，然而，提供标明化学键样本既价格低廉又工期。由于标出样本实际，机器进修监督进修假设拓展到巨大的物理化学室内空间极具启发性。本文重申了一种利用大量未标明样本(共约1000万个截然不同化学键)的自监督进修框架MolCLR(通过平面图建模进行表征的化学键对比进修)来化解这一解决办法。

在MolCLR先于基础训练中的，实证相结合了化学键平面图并开发平面图建模(GNN)的系统来进修可微回应。

Overview of MolClr.

重申了三种化学键平面图增强方法，即水化学键连在、键写入和子平面图写入。所提的化学键平面图增强方法保证了增强时同一化学键的正确性来得高以及不同化学键正确性的最小化。

investigation of molecule graph augmentations on classification benchmarks.

实验确实，本文重申的对比进修框架显著减低了GNN的系统在各种化学键特性基准上的性能，还包括分类和回归目标。得益于在大型未标明样本库上的先于基础训练，MolCLR甚至在几个化学键基准上通过微调将非常简单GNN假设大大提高到最先进水平(SOTA)。

test performance of different models on six regression benchmarks.

此外，全面性的研究确实，MolCLR进修将化学键embed到表征中的，以区别物理化学上充分的化学键关联。

Visualization of molecular representations learned by MolClr via t-SNe.

本文研究了化学键表征的自监督进修。比如说，实证重申了通过GNN和三种化学键平面图增强策略：水化学键连在、键写入和子平面图写入来进行表征的化学键对比进修。通过对比增强中的的正对和负对，MolCLR进修了一般GNN主干的个人信息回应。实验确实，MolCLR先于基础训练的GNN假设在各种化学键基准上拿下了较大的小型化，与监督进修方式为基础训练的假设相比较，不具备来得好的泛化性。通过MolCLR进修的化学键回应，证明了对实际样本的化学键目标可迁移性以及在大型物理化学室内空间上的泛化能力。

来源：

公众号：林业之巅

来得多个人信息恳请注意智农云芯(AgriBrain)：www.agribrain.cn

眼睛疼怎么快速缓解
总是便秘还容易拉肚子怎么办
夏天中暑怎么办
类风湿关节炎该怎样治
深静脉血栓