反对称分子图学习方法与残余自适应网络为致命剂量预测问题的基于模糊推理系统

科学领域:

• 计算化学计算化学
• 机器学习 机器学习
• 图形神经网络的神经网络

背景情况:

• 图形神经网络 (GNN) 对分子图形学习至关重要,但与远程依赖和过度压缩问题作斗争.
• 过度压缩压缩远距离节点信息,降低了像致命剂量预测这样的任务的性能,这些任务需要理解本地和全球分子结构.

研究的目的:

• 引入一种新的反对称模糊增强图形学习 (ASFGL) 模型,以克服分子图形学习中的 GNN 限制.
• 增强捕获远程依赖和全球结构信息,以改进分子性质预测.

主要方法:

• 拟议的ASFGL模型集成了基于稳定图形普通微分方程 (ODEs) 的反对称转换模块,以确保信息的非分散传播.
• 剩余的自适应性神经模糊推理系统 (ANFIS) 具有钟形成员函数,用于强大,可解释和适应性基于规则的推理.
• 这些组件一起工作,以减轻过度压缩,捕获远程依赖性,并完善分子表示.

主要成果:

• ASFGL模型有效地减轻了过度压缩问题,使信息能够稳定传播,并更好地捕捉远程依赖.
• 通过桥接本地信息传递和全球结构意识,ASFGL产生了富有表现力的分子嵌入,这证明了毒性预测的有效性.
• 对基准数据集的评估表明,ASFGL在MAE/RMSE指标上始终优于最先进的GNN,特别是在深度表示学习场景中.

结论:

• 反对称动力学和模糊推理系统的整合代表了使用GNN进行分子性质预测的重大进步.
• ASFGL成功地解决了GNN设计的基本挑战,为复杂的分子任务提供了更好的性能,例如致命剂量预测.