基于几何嵌入的化学本体分类与扩展：一种新型Box嵌入架构在ChEBI知识图谱中的应用

本研究针对化学本体分类中模型难以捕捉层级关系的问题，提出了一种基于几何Box嵌入的新型机器学习架构。通过将ChEBI本体中的化学类表示为n维空间中的盒子（Box），分子结构嵌入为空间点，实现了分类任务与层级关系学习的耦合。实验证明该方法在保持分类性能（F1=0.907）的同时，能自动推导出与ChEBI一致的子类关系（如羧酸→有机酸），并支持零样本扩展新类。该工作为化学知识图谱的动态扩展提供了可解释的几何学习框架。

　　

在化学信息学领域，化学实体本体（ChEBI）作为权威的分类系统，面临着动态扩展与自动化分类的挑战。传统基于规则的分类器（如ClassyFire）需要人工编写规则，难以适应新发现的化合物类别；而现有机器学习模型虽能预测分类标签，却无法验证其是否真正理解了化学类别的层级关系。例如，当模型将乙酸归类为羧酸（carboxylic acid）时，理应自动推断其同属有机酸（organic acid）——这种逻辑关系在现有模型中往往被忽视。更棘手的是，化学本体中既有可被单一SMILES字符串表示的具体化合物（如苯甲醇），也包含结构多样的功能基团类别（如芳香醇），这种异质性给统一建模带来困难。

为解决这些问题，来自《Journal of Cheminformatics》的研究团队创新性地将几何表示引入化学本体学习。研究核心在于用n维空间的轴对齐盒子（Box）表示化学类，分子结构通过Electra模型编码为空间点。当分子点落入某个盒子即视为该类实例，而盒子间的空间包含关系则对应本体中的"is_a"层级。例如羧酸的盒子必须完全包含其所有子类（如甲酸、乙酸）的盒子。这种几何化表达不仅保留了逻辑运算的封闭性——盒子交集对应类的逻辑与（AND）操作，还支持通过空间关系验证模型是否真正掌握化学语义。

关键技术方法包括：（1）采用预训练的Electra模型将SMILES字符串编码为256维向量，再通过全连接层投影到16维嵌入空间；（2）设计包含权重调整的损失函数（公式1），使用Cui权重（w_c^Cui）和标准化权重（w_c^norm）解决类别不平衡问题；（3）定义ε_sub和ε_dis阈值参数，通过盒子边缘容差判断子类关系和互斥关系。实验数据来自ChEBI中至少包含100个实例的类别，共9,805个化学类参与零样本评估。

模型性能验证

在分类任务中，采用w^Cui加权的模型取得最佳微平均F1值（0.907），而w^norm加权模型对稀有类别的宏平均F1提升12.3%（0.687 vs 0.580）。这表明几何嵌入在保持整体性能的同时，能更好捕捉特异性化学特征。

层级关系学习

通过盒子包含关系推导的层级结构与ChEBI本体对比显示（图3），模型正确识别了76%的已知"is_a"关系（如L-丝氨酸衍生物→酯类）。有趣的是，部分模型推导但未被ChEBI收录的关系（如酯类→多原子实体）经专家验证实际成立，暗示该方法能发现潜在的新本体关系。

零样本扩展能力

对未参与训练的9,805个新类测试表明（图9），通过计算成员点的最小边界盒，模型能以0.5的F1值自动推导其与现有类别的层级关系。这种能力特别适用于扩展ChEBI中肽类（CHEBI:16670）等浅层次结构。

该研究的突破性在于首次将几何可解释性融入化学本体学习。通过盒子空间关系，可直接验证模型是否遵循"羧酸必为有机酸"等化学逻辑，而传统黑箱模型无法提供这种保证。未来结合半监督学习整合领域约束（如OWL公理），或将开创化学知识图谱构建的新范式。正如作者强调："盒子不仅是分类工具，更是化学现实的几何映射——当乙酸的点稳稳落在羧酸盒子内时，我们看到的不仅是预测正确，更是机器对化学逻辑的理解。"