Multi-Level Fusion Graph Neural Network for Molecule Property Prediction

准确的分子属性预测在药物发现及相关领域中至关重要。然而，现有的图神经网络（GNNs）往往难以同时捕捉分子的局部和全局结构。本文中，我们提出了一种多层次融合图神经网络（MLFGNN），该网络结合了图注意力网络和一种新颖的图变换器，以共同建模局部与全局依赖关系。此外，我们将分子指纹作为一种补充模态引入，并设计了一种注意力交互机制，以自适应地融合不同表示之间的信息。在多个基准数据集上的广泛实验表明，MLFGNN在分类和回归任务中均持续优于当前最先进的方法。可解释性分析进一步显示，该模型能够有效捕捉与任务相关的化学模式，验证了多层次与多模态融合在分子表示学习中的实用性。

论文旨在解决现有图神经网络（GNNs）在分子属性预测中难以同时捕捉局部和全局分子结构的问题。这一问题在药物发现领域具有重要意义，虽然已有研究尝试利用GNN进行分子表示学习，但如何有效融合多尺度信息仍是挑战。

论文提出了一种多级融合图神经网络（MLFGNN），结合图注意力网络（GAT）和一种新颖的图Transformer，以联合建模局部与全局依赖关系。此外，作者引入了分子指纹作为补充模态，并设计了一种注意力交互机制来自适应融合不同表示的信息。这一思路通过多级和多模态融合提升了分子表示的表达能力。

1. 提出的MLFGNN模型在多个基准数据集上均优于当前最先进的方法，涵盖分类和回归任务。 2. 实验涵盖了广泛的分子属性预测任务，验证了模型的泛化能力。 3. 可解释性分析表明，模型能够捕捉任务相关的化学模式，增强了其在实际药物发现中的可信度。 4. 论文强调了多级建模和多模态融合的重要性，为未来研究提供了方向。

1. Graph Attention Networks (GATs) for molecular property prediction 2. Hierarchical Graph Neural Networks for Multi-Scale Molecular Representation 3. Molecular Property Prediction with Multi-Modal Fusion of Graph and Textual Data 4. Transformer-based models for graph-structured data in chemistry 5. Deep Learning on Graphs: A Survey for Drug Discovery Applications