欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

《A self-attention based message passing neural network for predicting molecular lipophilicity》阅读笔记

程序员文章站 2022-06-26 18:24:58
《A self-attention based message passing neural network for predicting molecular lipophilicity and aqueous solubility》 阅读笔记文献类型: Journal of Cheminformatics链接:https://jcheminf.biomedcentral.com/articles/10.1186/s13321-020-0414-z#Sec12概要:描述了一种基于自我注意的消息...

《A self-attention based message passing neural network for predicting molecular lipophilicity and aqueous solubility》 阅读笔记

  1. 文献类型: Journal of Cheminformatics
  2. 链接:https://jcheminf.biomedcentral.com/articles/10.1186/s13321-020-0414-z#Sec12
  3. 概要:
  • 描述了一种基于自我注意的消息传播神经网络(SAMPN)模型,它是Deepchem的MPN的改进,在深度学习方面是最先进的。
  • 在学习过程中,直接学习每个QSAR/QSAPR任务的最相关特征,并对子结构进行重要度分配,提高预测的可解释性。
  • 我们的SAMPN图网络利用了上面描述的化学图结构,其中每条边都来自化学键,每个原子都是节点。
  • 我们的消息传递神经网络(MPN)和SAMPN模型都可以作为多目标模型(Multi-MPN或Multi-SAMPN),不仅可以了解化学结构和性质之间的关系,还可以了解分子内在属性之间的关系。
  • 为了演示我们的计算方法,我们选择了亲水性和水溶性作为目标属性,
  1. 存在问题

    • 分子的固定指纹特征可能并不是所有任务的最合适表示。传统方法无法反映哪些特征与模型最相关。
    • SMILES表示并不旨在捕获分子相似性,不关注所涉及的分子结构。
  2. 解决途径

    • 将SMILES形式转成有向图,并将键的方向设定为双向
      《A self-attention based message passing neural network for predicting molecular lipophilicity》阅读笔记

    • Message passing network encoder
      消息传递和更新阶段:
      《A self-attention based message passing neural network for predicting molecular lipophilicity》阅读笔记

    经过几个steps后,读出操作:
    《A self-attention based message passing neural network for predicting molecular lipophilicity》阅读笔记

    • Self‑attention mechanism
      得到每个节点的隐向量后,如何捕捉亚结构对目标分子特性的影响:
      《A self-attention based message passing neural network for predicting molecular lipophilicity》阅读笔记

    总示意图:
    《A self-attention based message passing neural network for predicting molecular lipophilicity》阅读笔记

  3. 创新点

  • 在MPN上使用双向键进行消息传递
  • 使用attention机制
  1. 启发
  • 使用skip connection 防止梯度消失,实现消息的远距离传输
  • attention 的模式

本文地址:https://blog.csdn.net/lingxu01/article/details/108995851