[發明專利]一種增強圖神經網絡點邊交互的方法

有效

• 申請號: 202010547673.4
• 申請日: 2020-06-16
• 公開（公告）號: CN111860768B
• 公開（公告）日: 2023-06-09
• 發明（設計）人: 楊躍東;鄧幽揚;宋穎;鄭雙佳
• 申請（專利權）人: 中山大學
• 主分類號: G06N3/0499
• 分類號: G06N3/0499;G06N3/08;G06F18/24;G06N20/00
• 代理公司: 廣州潤禾知識產權代理事務所(普通合伙) 44446
• 代理人: 歐秋望

本發明提供一種增強圖神經網絡點邊交互的方法，步驟包括：獲取有向分子圖G及其圖結構數據，根據圖結構數據獲取和根據所有創建所有根據所有所述與所有更新得到所有根據所有與所有所述創建所有根據所有所述和所有所述得到所有利用所有所有和所述圖結構數據中的節點原始特征Xsubgt;v/subgt;，將所述圖神經網絡迭代至第K層，得到所述有向分子圖的最終節點表示形式h(v)，所述k≥1，K＞k；利用每個任意節點v的相鄰節點w到任意節點v的邊的隱藏表示，即創建任意節點v在第k層的消息向量使邊的信息與節點信息進行關聯和傳遞，在神經網絡訓練過程中更新了節點和邊的嵌入，關注了節點與邊之間信息的可傳遞性。

技術領域

本發明涉及新型圖神經網絡領域，更具體地，涉及一種增強圖神經網絡點邊交互的方法。

背景技術

準確預測分子的性質一直是制藥界持續關注的話題，分子性質預測的主要目標是去除下游開發過程中更容易產生性質負擔的化合物，從而達到節約大量資源和時間的目的。

預測分子的性質的相關研究方法經歷了傳統方法和機器學習方法兩個階段。傳統方法主要是基于特征工程進行的定量結構-性質關系(QSPR)，但傳統方法限制了模型在現有化學知識邊緣之外學習的能力。機器學習特別是深度學習方法顯示出了與傳統方法競爭甚至超越傳統方法的巨大潛力。與以往基于描述符的方法相比，基于深度學習的模型可以將相對無損的原始分子格式(SMILES字符串和拓撲圖)作為輸入，然后以端到端的方式訓練模型來預測目標端點。這些模型能夠為分子描繪出更加全面的信息。

近年來，基于圖卷積神經網絡來學習分子的化學結構方法被提出。2015年，Duvenaud提出一種神經指紋方法作為分子指紋的替代方法，也是最早將圖卷積方法用于化學表征的研究之一。2017年，Gilmer總結了一種被稱為消息傳遞神經網絡(MPNNs)的通用架構，該架構在量子化學性質預測方面表現出了優越的性能。然而，MPNN及其變體主要關注保留有效頂點(原子)嵌入，而忽略了邊緣(鍵)所攜帶的信息，這些信息對許多下游任務(如節點或邊緣嵌入和圖表示)是有利的。而后Yang在2019年提出的DMPNN通過使用與有向邊(鍵)相關的消息而不是與頂點相關的消息來緩解這個問題。其主要貢獻在于，它既能利用鍵屬性，又能避免消息傳遞軌跡中不必要的循環，從而獲得無冗余的信息。與以往的MPNNs相比，這種基于鍵的消息傳遞過程表現出了優異的性能。但DMPNN忽略了從化學鍵傳遞回原子的信息，使得DMPNN僅僅能捕捉原子和化學鍵的互補信息。

因此要準確預測分子的性質難點在于不僅要學習分子結構中節點的特征，邊的特征，還要學習節點與邊之間的信息。而現有的預測方法存在難以捕捉邊的信息，忽略化學鍵與原子的信息可傳遞性特點等問題。

發明內容

本發明旨在克服上述現有技術的至少一種缺陷，提供一種增強圖神經網絡點邊交互的方法，用于解決現有的預測方法中忽略有向圖中邊與點之間可傳遞的缺陷。

本發明提供的技術方案為：

一種增強圖神經網絡點邊交互的方法，步驟包括：

獲取應用對象的有向圖G，提取所述有向圖G的圖結構數據，所述有向圖包括若干個節點v和若干條邊e，所述節點v為所述應用對象中的任意一個元素，所述邊e為所述應用對象中任意相連的兩個元素之間的關聯關系；

根據所述圖結構數據獲取所有和所有所述v表示所述所有節點中的任意一個節點，所述w表示所述節點v任意相鄰節點，所述相鄰節點為所述應用對象中與任意元素相連的任意元素，所述為任意一條所述節點v到其任意相鄰節點w的邊e_v,w在第0層的隱藏表示，所述為任意所述節點v在第0層的隱藏表示，任何所述邊e隱藏表示為所述應用對象中任意相連的兩個元素之間的關聯關系在某一層的抽象化表示，任何所述節點v的隱藏表示為所述應用對象中任意元素在某一層的抽象化表示；

第一步首先獲取節點和邊在的第0層的隱藏表示，作為迭代計算的初始量。