如何构建合适的分子图表征是材料科学、化学和药物设计等众多领域的核心问题之一。近年来研究者尝试将分子抽象成带有标注属性的结构图，再利用图神经网络(GNN)进行分子图的表征学习，取得了比较显著的成果。
近日，中山大学与星药科技在国际人工智能顶级会议IJCAI-2021上联合发表了论文：Learning Attributed Graph Representations with Communicative Message Passing Transformer。本文提出了CoMPT(Communicative Message Passing Transformer)神经网络，一种通过在Transformer架构中融合消息传递机制并加强节点与边之间的消息交互来改进药物分子图的表征方法。此外，受热扩散现象的启发，该表征方法通过将消息传递机制转化为消息扩散机制减少了消息过度富集的影响。大量实验表明，本文提出的CoMPT模型在七个化学性质数据集（图级任务）和两个化学位移数据集（节点级任务）上的性能优于基线模型的性能（平均性能提升约4%）。可视化研究也进一步表明该模型实现了更好的药物分子图表征能力。
- 论文地址：https://arxiv.org/abs/2107.08773
- 代码地址：https://github.com/jcchan23/CoMPT
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
评论
沙发等你来抢