Geo-Hete-HyperGNN 作为一种无先验的分子超图表示学习策略

《Communications Chemistry》：Geo-Hete-HyperGNN as a prior-free molecular hypergraph representation learning strategy

　　

摘要

分子表示学习是 AI 驱动化学发现的基石。然而，大多数分子超图模型使用专家制定的规则来定义超边，并且往往忽视三维分子几何结构。受分子结构与光谱学之间紧密对应关系的启发，包括核磁共振 (NMR)、质谱 (MS)、紫外 - 可见光 (UV-Vis) 和红外 (IR) 光谱学，我们将与光谱学相关的结构线索抽象为四种语义超边类型：原子类型、键类型、键角类型和共轭体系超边。我们进一步将分子几何整合到超图构建中，并提出 Geo-Hete-HyperGNN，这是一种等变分子超图神经网络，通过等变消息传递、隐式关系正则化和分子超图专家混合 (MoMHE) 读出，联合捕捉分子几何、化学语义和高阶相互作用。通过一种等变自监督预训练策略，Geo-Hete-HyperGNN 改善了可迁移的分子表示。在八个 MoleculeNet 基准测试上的实验表明，该方法相对于以往方法取得了一致的提升，同时，在 QM9S-QM9NMR 上进行的额外面向光谱学的评估，验证了所提出的超边语义对于紫外 - 可见光吸收、红外频率和核磁共振化学位移预测的有效性。这些结果确立了 Geo-Hete-HyperGNN 作为混合几何 - 语义 - 高阶分子建模的强大框架。