《Molecules》：Topology-Guided Multi-Level Graph Learning: A Unified Framework for Molecular Property Prediction
编辑推荐：
准确的分子性质预测是药物发现、药物化学和分子设计进展的基础，并关键取决于所学习分子表示的质量。尽管图神经网络（Graph Neural Networks, GNNs）和图Transformer（Graph Transformers）已显著推进该领域，但大多数现
准确的分子性质预测是药物发现、药物化学和分子设计进展的基础，并关键取决于所学习分子表示的质量。尽管图神经网络（Graph Neural Networks, GNNs）和图Transformer（Graph Transformers）已显著推进该领域，但大多数现有方法强调单一结构视角，并难以在单一学习过程中联合捕获局部连接性、高阶子结构、显式拓扑和长程依赖。研究人员提出拓扑引导多层级图学习（Topology-Guided Multi-Level Graph Learning, TMGL），一个统一框架，将拓扑增强节点编码、基序引导表示学习、多尺度图同构网络（Multi-Scale Graph Isomorphism Network）、拓扑感知图Transformer注意力、自适应多尺度特征融合和跨层级对比学习集成到单一端到端架构中。通过将拓扑保持和基序一致性目标与节点级、基序级和图级嵌入之间的层级对比对齐耦合，TMGL使这些互补结构视图直接交互，而非事后组合。该框架在七个MoleculeNet基准数据集上评估，涵盖二分类、多标签分类和回归任务。TMGL在BACE、BBBP、ClinTox和SIDER上分别取得接收者操作特征曲线下面积（Receiver Operating Characteristic Area Under the Curve, ROC-AUC）为0.937、0.960、0.962和0.723，在ESOL、FreeSolv和Lipophilicity上均方根误差（Root Mean Square Error, RMSE）分别为0.611、1.293和0.436，在大多数分类基准和Lipophilicity上优于广泛的最先进基线，同时在ESOL和FreeSolv上保持竞争力。消融实验确认每个架构组件对整体性能均有实质性贡献，嵌入可视化进一步显示所学表示空间具有判别性和类别一致性结构。这些结果证明联合建模互补结构视角对分子图学习的价值，并突显TMGL框架在计算化学和药物发现中的应用潜力。
研究人员指出，准确的分子性质预测对药物发现、药物化学和分子设计至关重要，而预测精度高度依赖分子图表示学习质量。图结构数据在计算化学、生物信息学、社交网络分析、分子性质预测和药物发现中普遍存在；分子中原子和化学键可自然表示为节点和边，因此图表示学习适合建模复杂分子结构。现有深度学习已使模型无需手工描述符即可从图结构学习，图神经网络（Graph Neural Networks, GNNs）中的图卷积网络、图注意力网络和图同构网络等通过邻域聚合获得节点与图表征，并在多种分子预测问题中表现良好。但多数GNN依赖局部消息传递，随图复杂度增加难以建模远端节点交互和全局结构依赖；更深消息传递还易导致过平滑和过挤压，削弱节点表示判别力。图Transformer通过自注意力直接连接任意两节点，可捕获长程上下文，并可结合结构编码增强拓扑感知，但现有分子图表示学习仍存在多个问题：多数方法主要依赖局部消息传递或全局注意力，难以充分利用互补结构信息；高阶语义信息通常被附加在图之上而非融入拓扑及长程结构依赖，使不同层次分子信息交互较弱；拓扑感知结构描述符常被视为额外节点特征，而非纳入表示学习过程本身。因此，局部邻域信息、高阶结构语义、显式拓扑特征和全局图依赖常被孤立学习。拓扑感知学习、基序表示学习、图Transformer和对比学习虽各自被广泛研究，但其组合及其在分子性质预测中的全过程交互仍探索不足。为此，研究人员提出TMGL统一框架，将拓扑感知结构编码、基序引导语义学习、Multi-Scale GIN局部特征提取、拓扑感知图Transformer注意力、自适应多尺度特征融合和层级对比学习集成到单一端到端架构中，使局部连接、高阶结构语义、显式拓扑信息和长程图依赖直接交互，以学习更丰富、更具判别性的分子表示。
主要关键技术方法：研究人员在七个MoleculeNet基准数据集（BACE、BBBP、ClinTox、SIDER、ESOL、FreeSolv、Lipophilicity）上采用scaffold split（80%训练、10%验证、10%测试）评估。框架包含拓扑特征提取（度中心性、聚类系数、介数中心性）、基序提取、Multi-Scale GIN编码、拓扑感知Graph Transformer自注意力、基序表示学习、InfoNCE跨层级对比学习、拓扑保持与基序一致性正则、自适应多尺度特征融合、注意力图池化及任务预测层；分类使用Cross-Entropy或BCEWithLogits，回归使用MSE。
研究结果方面，3.1 性能与表示分析：研究人员将TMGL与SchNet、GraphConv、DMPNN、MPG、KANO、HiMol、AutoML、GROVER、MolFormer、MGSSL、ProtoMol、MolGraph-xLSTM和AMCT等代表性分子图学习方法比较，分类以ROC-AUC评价，回归以RMSE评价。结果表明TMGL在分类和回归基准上具有竞争力或更优：在BACE、BBBP、ClinTox和SIDER上ROC-AUC分别为0.937、0.960、0.962和0.723；在ESOL、FreeSolv和Lipophilicity上RMSE分别为0.611、1.293和0.436。TMGL在多数分类基准和Lipophilicity上优于基线，在ESOL和FreeSolv上具竞争力。训练时间分析在NVIDIA Tesla T4 GPU上进行，BBBP、ClinTox、FreeSolv和ESOL的每epoch训练时间较一致，差异主要来自数据集大小和图架构；未进行与基线模型的直接运行时间比较，因为其报告结果来自不同硬件和实现环境；推理延迟和阶段式预处理成本未独立分析。ROC曲线分析显示，TMGL在BACE、BBBP、ClinTox和SIDER上的曲线接近左上角，ClinTox判别力最好，其次为BBBP和BACE，SIDER虽为多标签数据集但受严重类别不平衡影响。降维可视化采用UMAP、PCA和t-SNE，对BACE和BBBP显示同类分子聚集、异类分子分离，表明所学表示保留结构相似性和类别相关语义。回归分析通过预测值与真实值散点图、残差分析和残差直方图进行：在FreeSolv、ESOL和Lipophilicity上，预测值与真实值多数沿对角线分布，ESOL和Lipophilicity相关性较好，FreeSolv散布稍大；残差围绕零分布，ESOL和Lipophilicity残差范围较窄，FreeSolv较宽；残差直方图中心接近零并近似钟形，说明预测偏置有限。研究人员认为性能提升来自拓扑特征提取、基序提取、Multi-Scale GIN编码、拓扑感知图Transformer、跨层级对比学习等组件的互补作用。
3.2 消融分析：研究人员在BACE、ClinTox、SIDER、ESOL和FreeSolv五个基准上逐个移除组件。完整TMGL总体性能最佳。移除任一组件均导致性能下降：移除拓扑特征提取使所有数据集性能下降，FreeSolv RMSE增加，说明显式图论描述符提供原始原子属性之外的结构信息；移除基序表示学习持续降低预测性能，BACE ROC-AUC下降，说明化学意义基序捕获局部邻域聚合无法表示的高阶分子语义；移除多层级对比学习降低分类和回归性能，SIDER ROC-AUC最低、ESOL RMSE最高，说明跨结构层级对齐表示可增强判别力；移除拓扑保持损失使模型难以在嵌入空间保持节点结构关系，ClinTox ROC-AUC明显下降；移除基序一致性损失降低基序表示一致性，BACE ROC-AUC大幅下降；替换学习式特征融合也低于完整框架，说明自适应整合局部、基序级和全局表示有助整体效果。总体而言，TMGL的成功并非依赖单一组件，而是来自拓扑特征提取、基序表示学习、多层级对比学习、拓扑保持、基序一致性和学习式特征融合的联合贡献。
讨论总结：研究人员认为，TMGL在分类和回归基准上的表现表明该架构对多种分子性质预测任务具有泛化能力。性能增益源于：拓扑特征提取模块在消息传递前用结构特征丰富节点表示；基序提取模块补充传统边聚合常忽略的高阶结构语义；Multi-Scale GIN编码建模局部邻域交互；拓扑感知图Transformer以拓扑引导自注意力捕获长程依赖；跨层级对比学习保证节点级、基序级和图级表示的一致性，从而获得更具判别性的分子嵌入。消融结果进一步确认这些互补组件的协同优化是整体性能提升的基础。该研究的意义在于证明联合建模互补结构视角对分子图学习的价值，并显示TMGL在计算化学和药物发现中的应用潜力。
研究结论翻译：学习能够有效捕获结构和语义信息的分子表示，对准确的分子性质预测至关重要。尽管近期图神经网络和图Transformer已取得有希望的性能，但仍存在若干挑战，包括在统一学习框架内有效整合局部结构信息、高阶分子语义、全局图依赖和显式拓扑信息。为解决这些挑战，本工作提出TMGL，一种统一分子图学习框架，结合拓扑特征提取、基序表示学习、Multi-Scale GIN编码、拓扑感知图Transformer、多层级对比学习、拓扑保持、基序一致性以及基于注意力的图池化，以端到端方式学习判别性分子表示。该框架在七个广泛使用的MoleculeNet基准数据集上评估，涵盖二分类、多标签分类和回归任务。实验结果表明，TMGL在大多数基准数据集上持续优于现有最先进图神经网络和图Transformer模型。此外，消融研究确认每个主要组件，包括拓扑感知特征提取、基序表示学习、多层级对比学习、拓扑保持、基序一致性和学习式特征融合，均对整体预测性能有贡献。这些互补组件的协同优化使框架能够为分类和回归任务学习更丰富、更具判别性的分子表示。未来工作将聚焦于提高基序提取和拓扑感知表示学习的效率与可扩展性，将框架扩展到更大、更多样化的分子数据集，并探索自监督预训练策略以进一步提高表示质量。研究更高效的图Transformer架构也可能有助于将TMGL扩展到更大规模的分子性质预测场景。
