基于原子-基元对比的Transformer模型在分子性质预测中的应用

《ACM Transactions on Intelligent Systems and Technology》：Atom-Motif Contrastive Transformer for Molecular Property Prediction

针对图Transformer模型在分子性质预测中忽略关键基团间相互作用的问题，本文提出AMCT模型，融合原子级和基团级交互，利用对比学习和属性感知注意力机制提升预测效果，经十大数据集验证有效。

　　

摘要AI 摘要

摘要

摘要

最近，图变换器（Graph Transformer，简称 GT）模型因其在表征图节点（即分子中的原子）之间的潜在关系方面的高可靠性而被广泛应用于分子性质预测（Molecular Property Prediction，简称 MPP）任务中。然而，大多数现有的基于 GT 的方法通常只探索原子对之间的基本相互作用，因此未能考虑分子中关键基序（例如由多个原子组成的官能团）之间的重要相互作用。由于分子中的基序是决定分子性质（如毒性和溶解度）的重要模式，忽视基序之间的相互作用会不可避免地影响 MPP 的效果。为了解决这个问题，我们提出了一种新颖的原子-基序对比变换器（Atom-Motif Contrastive Transformer，简称 AMCT），该模型不仅探索原子级别的相互作用，还考虑基序级别的相互作用。由于给定分子的原子和基序的表示实际上是同一实例的两种不同视图，因此它们可以自然地对齐以生成用于模型训练的自监督信号。同时，相同的基序可以存在于不同的分子中，因此我们还采用了对比损失来最大化不同分子中相同基序的表示一致性。最后，为了明确识别对决定每个分子性质至关重要的基序，我们在学习框架中进一步构建了一个基于性质的注意力机制。我们提出的 AMCT 在十个流行的基准数据集上进行了广泛评估，定量和定性结果都充分证明了其与现有技术相比的有效性。

AI 摘要

AI 生成的摘要（实验结果）

此摘要是使用自动化工具生成的，未经过文章作者的撰写或审核。它旨在辅助发现、帮助读者评估文章的相关性，并帮助来自相关研究领域的读者理解文章内容。它旨在补充作者提供的摘要，后者仍是文章的官方总结。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

AI 生成的摘要不可用。

此内容由 AI 生成。了解更多