[论文解读] Graph-based Molecular Representation Learning

Zhichun Guo, Kehan Guo+9 more|arXiv (Cornell University)|Jul 8, 2022

Computational Drug Discovery Methods被引用 10

一句话总结

本综述全面回顾了整合化学领域知识的基于图的分子表征学习（MRL）方法，重点关注二维和三维分子图表示。它根据输入类型对MRL模型进行分类，详细阐述其领域感知学习策略的使用，并在关键基准上评估性能，为提升化学领域机器学习的模型可解释性、数据效率和三维结构感知能力提供统一参考。

ABSTRACT

Molecular representation learning (MRL) is a key step to build the connection between machine learning and chemical science. In particular, it encodes molecules as numerical vectors preserving the molecular structures and features, on top of which the downstream tasks (e.g., property prediction) can be performed. Recently, MRL has achieved considerable progress, especially in methods based on deep molecular graph learning. In this survey, we systematically review these graph-based molecular representation techniques, especially the methods incorporating chemical domain knowledge. Specifically, we first introduce the features of 2D and 3D molecular graphs. Then we summarize and categorize MRL methods into three groups based on their input. Furthermore, we discuss some typical chemical applications supported by MRL. To facilitate studies in this fast-developing area, we also list the benchmarks and commonly used datasets in the paper. Finally, we share our thoughts on future research directions.

研究动机与目标

• 系统性地对近期整合化学领域知识的基于图的分子表征学习（MRL）方法进行分类与总结。
• 解决将化学子结构模式、功能团和三维几何信息整合到分子深度学习模型中的挑战。
• 为化学与机器学习领域的研究人员提供最先进的MRL模型、基准、数据集和代码链接的精选概览。
• 识别在可解释性、数据稀缺性和三维空间学习方面的开放性挑战，以指导分子表征学习的未来研究。

提出的方法

• 根据输入表示对MRL方法进行分类：二维分子图（原子与键）和三维分子图（包括空间坐标与角度）。
• 回顾图神经网络（GNN）及其变体，包括消息传递机制、等变网络（如SE(3)-transformers）以及结合三维特征的方向性消息传递。
• 分析预训练策略，如对比学习与重构任务，以在无需完全监督的情况下提升表征质量。
• 通过子结构感知学习、功能团编码和知识图构建等方式整合领域知识，以支持下游任务。
• 使用标准化基准和数据集（如MoleculeNet、OGB和TDC）评估模型，采用AUC、F1和准确率等指标。
• 为所有审查的模型提供代码链接与实现参考，以支持可复现性与社区采纳。

实验结果

研究问题

• RQ1 基于图的MRL模型如何有效编码二维与三维分子结构，同时保持化学语义？
• RQ2 将化学领域知识（如功能团与子结构）整合到图神经网络中的最有效方法是什么？
• RQ3 不同MRL架构在分子性质预测、反应预测和药物-药物相互作用（DDI）预测等关键下游任务中的表现如何？
• RQ4 MRL在可解释性、数据效率和三维空间表征方面的当前局限性是什么，如何加以解决？
• RQ5 在实践中，哪些基准和数据集最能代表且广泛用于MRL模型的评估？

主要发现

• 基于图的MRL模型通过利用分子图中更丰富的结构信息，在性质预测与反应预测任务中优于基于序列的方法。
• 通过等变GNN或方向性消息传递整合三维几何信息可提升分子表征学习效果，但目前尚未形成标准方法。
• 对比学习与重构等预训练策略显著提升模型泛化能力，尤其在低数据场景下表现突出。
• 明确编码功能团与子结构的模型（如MoleRec、KGNN）在TDC基准上进行药物-药物相互作用预测时表现更优，AUC与F1得分均较高。
• 尽管已有进展，MRL的可解释性仍有限，仅有初步方法（如AttSemiGAE与E2E Gao et al.）提供部分可解释性机制。
• 数据稀缺仍是主要挑战；元学习与自监督预训练虽具前景，但在更广泛的MRL应用中仍待深入探索。