Molecular Property Prediction Based on Graph Structure Learning

分子属性预测是计算机辅助药物发现过程中的一项基础但具有挑战性的任务。越来越多的最新研究采用不同的基于图的模型进行分子属性预测，在提高预测性能方面取得了相当大的进展。然而，当前的模型常常忽略分子之间的关系，而这些关系对于分子属性预测也可能有帮助。因此，在本文中，我们提出了一种基于图结构学习的分子属性预测方法，称为GSL-MPP。具体而言，我们首先在分子图上应用图神经网络（GNN）来提取分子表示。然后，我们使用分子指纹构建分子相似性图（MSG）。接下来，我们对MSG进行图结构学习（即分子级图结构学习），以获得最终的分子嵌入，这些嵌入是将GNN编码的分子表示和分子之间的关系相结合得到的结果，即将分子内部和分子之间的信息相结合。最后，我们使用这些分子嵌入来进行分子属性预测。对七个不同的基准数据集进行的大量实验表明，我们的方法在大多数情况下都能达到最先进的性能，特别是在分类任务上。进一步的可视化研究也证明了我们方法的良好分子表示。

本文旨在解决分子属性预测中忽略分子之间关系的问题，提出了一种基于图结构学习的分子属性预测方法。

本文提出的GSL-MPP方法，首先使用图神经网络提取分子表示，然后构建分子相似性图，最后在分子相似性图上进行图结构学习，得到最终的分子嵌入表示，将分子内部和分子之间的信息相结合，用于分子属性预测。

实验结果表明，GSL-MPP方法在七个基准数据集上均取得了最先进的性能，尤其是在分类任务上。此外，本文方法的分子表示效果良好。

最近的相关研究包括基于图神经网络的分子属性预测方法，例如DeepChem和MoleculeNet。