gSelformer-MV：分子特性予測のためのマルチビュー、サブグラフ拡張グループSELFIESトランスフォーマー

科学分野:

• 計算化学
• 機械学習
• 化学情報学

背景:

• データ駆動型方法は、化学構造と特性を関連付けるために重要です。
• 現在の分子表現学習は、主に原子中心のアプローチ（例：グラフニューラルネットワーク、化学言語モデル）を使用しています。
• 高度なモデルに官能基情報を統合することは、あまり探求されていない分野です。

研究 の 目的:

• 原子レベルとサブストラクチャレベルの両方で分子を表現するように設計されたトランスフォーマーモデルであるgSelformer-MVを紹介します。
• 分子特性予測を改善するために、グループSELFIES（官能基トークンで拡張されたSELFIESのバリアント）の複数のビューを活用します。
• 高度な分子表現学習に官能基データを統合する際のギャップに対処します。

主な方法:

• 複数のグループSELFIESビューで動作するトランスフォーマーアーキテクチャであるgSelformer-MVを開発しました。
• 共同トレーニングと推論のために、複数のサブグラフパーティショニングされたグループSELFIESビューを構築しました。
• gSelformer-MVを、SELFIES文字列のみでトレーニングされたモデルと比較しました。

主要な成果:

• gSelformer-MVは、SELFIESのみを使用するモデルと比較して、優れた精度と説明可能性を示しました。
• 複数の分子回帰ベンチマークで最先端のパフォーマンスを達成しました。
• 高信頼性の予測に焦点を当てることで、さらなるパフォーマンスの向上が観察されました。

結論:

• グループSELFIESを使用したサブグラフ拡張は、文字列ベースの分子特性予測を強化するための効果的な戦略です。
• gSelformer-MVは、分子表現学習のための強力な新しいアプローチを提供します。
• 調査結果は、化学における予測モデリングのためにサブストラクチャ情報を組み込む可能性を強調しています。