HiGNN：一种用于分子特性预测的分层信息图神经网络，配备特征注意,Journal of Chemical Information and Modeling

当前位置： X-MOL 学术 › J. Chem. Inf. Model. › 论文详情

Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)

HiGNN：一种用于分子特性预测的分层信息图神经网络，配备特征注意
Journal of Chemical Information and Modeling ( IF 5.6 ) Pub Date : 2022-12-14 , DOI: 10.1021/acs.jcim.2c01099
Weimin Zhu ₁ , Yi Zhang ₁ , Duancheng Zhao ₁ , Jianrong Xu _{2,

3} , Ling Wang ₁

Affiliation

阐明和准确预测分子的成药性和生物活性在药物设计和发现中起着关键作用，并且仍然是一个开放的挑战。最近，图神经网络 (GNN) 在基于图的分子特性预测方面取得了显着进步。然而，目前基于图的深度学习方法忽略了分子的层次信息和特征通道之间的关系。在这项研究中，我们提出了一个精心设计的分层信息图神经网络（称为 HiGNN）框架，通过利用分子图的核心表示学习和逆合成有趣的化学子结构 (BRICS) 片段的化学可合成断裂来预测分子特性。此外，在 HiGNN 架构中首先设计了一个即插即用的特征注意块，用于在消息传递阶段之后自适应地重新校准原子特征。大量实验表明，HiGNN 在许多具有挑战性的药物发现相关基准数据集上实现了最先进的预测性能。此外，我们设计了一种分子-片段相似性机制来全面研究 HiGNN 模型在子图级别的可解释性，表明 HiGNN 作为一种强大的深度学习工具可以帮助化学家和药剂师识别分子的关键成分，从而设计出更好的分子所需的属性或功能。源代码可在 https://github.com/idruglab/hignn 上公开获得。大量实验表明，HiGNN 在许多具有挑战性的药物发现相关基准数据集上实现了最先进的预测性能。此外，我们设计了一种分子-片段相似性机制来全面研究 HiGNN 模型在子图级别的可解释性，表明 HiGNN 作为一种强大的深度学习工具可以帮助化学家和药剂师识别分子的关键成分，从而设计出更好的分子所需的属性或功能。源代码可在 https://github.com/idruglab/hignn 上公开获得。大量实验表明，HiGNN 在许多具有挑战性的药物发现相关基准数据集上实现了最先进的预测性能。此外，我们设计了一种分子-片段相似性机制来全面研究 HiGNN 模型在子图级别的可解释性，表明 HiGNN 作为一种强大的深度学习工具可以帮助化学家和药剂师识别分子的关键成分，从而设计出更好的分子所需的属性或功能。源代码可在 https://github.com/idruglab/hignn 上公开获得。我们设计了一种分子-片段相似性机制来全面研究 HiGNN 模型在子图级别的可解释性，表明 HiGNN 作为一种强大的深度学习工具可以帮助化学家和药剂师识别分子的关键成分，以设计出具有所需特性或更好的分子功能。源代码可在 https://github.com/idruglab/hignn 上公开获得。我们设计了一种分子-片段相似性机制来全面研究 HiGNN 模型在子图级别的可解释性，表明 HiGNN 作为一种强大的深度学习工具可以帮助化学家和药剂师识别分子的关键成分，以设计出具有所需特性或更好的分子功能。源代码可在 https://github.com/idruglab/hignn 上公开获得。

"点击查看英文标题和摘要"

HiGNN: A Hierarchical Informative Graph Neural Network for Molecular Property Prediction Equipped with Feature-Wise Attention

Elucidating and accurately predicting the druggability and bioactivities of molecules plays a pivotal role in drug design and discovery and remains an open challenge. Recently, graph neural networks (GNNs) have made remarkable advancements in graph-based molecular property prediction. However, current graph-based deep learning methods neglect the hierarchical information of molecules and the relationships between feature channels. In this study, we propose a well-designed hierarchical informative graph neural network (termed HiGNN) framework for predicting molecular property by utilizing a corepresentation learning of molecular graphs and chemically synthesizable breaking of retrosynthetically interesting chemical substructure (BRICS) fragments. Furthermore, a plug-and-play feature-wise attention block is first designed in HiGNN architecture to adaptively recalibrate atomic features after the message passing phase. Extensive experiments demonstrate that HiGNN achieves state-of-the-art predictive performance on many challenging drug discovery-associated benchmark data sets. In addition, we devise a molecule-fragment similarity mechanism to comprehensively investigate the interpretability of the HiGNN model at the subgraph level, indicating that HiGNN as a powerful deep learning tool can help chemists and pharmacists identify the key components of molecules for designing better molecules with desired properties or functions. The source code is publicly available at https://github.com/idruglab/hignn.

更新日期：2022-12-14

点击分享查看原文

点击收藏

阅读更多本刊新发论文本刊介绍/投稿指南