化学反应的表示和编码和化学分子的编码同样重要。合适的化学反应编码可以改善与化学反应有关的预测任务结果，例如反应产率预测、反应速率预测、化学反应分类等。来自加州大学欧文分校Pierre Baldi课题组的Mohammadamin Tavakoli和Alexander Shmakov二人指出，现有的化学反应编码方式存在四种不足：（1）普适性不够强，一些基于固定算法的编码方式，如Schneider等人提出的reactionFP[1]，不一定能兼容多种不同的预测任务；（2）鲁棒性不够高，基于语言模型的编码方式如Schwaller等人提出的rxnfp[2]，在输入表示同一反应的不同序列时，会有不同的结果；（3）缺乏可解释性，大多数编码方式不能提供化学家可理解的信息用于解释模型的结果；（4）需要复杂的计算，主要指部分化学反应编码[3][4]需要很耗时的算法流程。为了解决以上问题，两人发明了一种基于图神经网络的全新化学反应编码方式，称为rxn-hypergraph，并在针对化学反应的相关任务中表现超越了已有的编码方式。

论文标题：

Rxn Hypergraph: a Hypergraph Attention Model for Chemical Reaction Representation

论文链接：

https://arxiv.org/abs/2201.01196

图1

在一个化学反应中，每个反应物和生成物分子都可以看做一个分子图，作者设定分子图的节点特征只包含原子类型，边特征为键的类型 。在已有的化学反应编码方法中，不同分子间的相互联系难以直接考量，作者为此设计了一种联系反应中所有分子图的rxn-hypergraph。这个图中除了包含全部分子图以外，还包含两种特殊的节点和三种特殊的边，具体结构如图1所示。作者添加了分子节点（mol-hypernode）和反应节点（rxn-hypernode）。每一个分子节点对应一个分子图，而反应节点只有两个，分别对应反应物和产物。分子节点和对应的分子图中每个原子（节点）通过atom-mol边相连；反应同一侧的分子节点通过mol-mol边相连，每个分子节点通过单向mol-rxn边连接到这一侧的反应节点。新添加的节点和边根据其不同的类型，具有不同的特征表示。完成rxn-hypergraph构建后，作者尝试用多层关系图卷积网络（RGCN）和关系图注意力网络（RGAT）进行特征提取，并读出反应节点上的特征，拼接后作为反应编码，用于后续的预测任务中。

RGAT模型允许通过类似Attribution Map的方法进行结果解释。作者设置了三种解释方案：（1）从原子节点到反应节点的注意力权重乘积（atom-rxn），用于解释各原子对反应编码的贡献；（2）图中各边的注意力权重在各RGAT层中的平均值（node-node），用于解释不同化学键和分子间关联对反应编码的贡献；（3）从原子节点到原子节点的注意力权重乘积（atom-atom），其中包含了不同分子图中原子的相互关联对反应编码的贡献。

内容中包含的图片若涉及版权问题，请及时与我们联系删除