用于表面活性剂多特性预测的图神经网络
内容提要
本文综述了图神经网络在分子性质预测中的进展。MGCN利用多级图表示提升泛化与可迁移性；多任务学习可改善小数据集性能；自动搜索的MPNNs优于手工设计的GNN；GCNN能高精度预测聚合物介电常数与能带隙；异构分子图神经网络在QM9多数任务上领先；MXMNet基于双层多重图预测理化性质；深度学习方法结合图与序列表示并优化损失函数，在抗生素发现等任务中持续改进并取得领先成绩。
延伸解读
多任务学习缓解小数据困境
文中2019年的研究表明，多任务学习能提升图神经网络在分子性质预测上的性能，尤其对数据点较少的数据集效果明显，无需数据增强即可获得较好结果，并显著减小模型方差。这意味着在实验数据稀缺的场景下，多任务框架可能比单纯扩充数据更实用，但需注意任务间的相关性，否则可能引入负迁移。
自动搜索MPNNs超越手工设计
通过神经架构搜索自动设计的消息传递神经网络（MPNNs）在分子性质预测上表现优于手动设计的GNNs。这提示模型架构的自动化探索可能比依赖专家经验更有效，但搜索过程通常需要较大计算开销，且所得架构的泛化能力仍需在更广泛的数据集上验证。
GCNN加速聚合物逆向设计
图卷积神经网络（GCNN）预测聚合物介电常数和能带隙的精度接近DFT结果，且优于其他机器学习算法。该方法仅依赖聚合物形态数据，无需繁琐的手工描述符，可实现快速精准预测，为聚合物的逆向设计提供了高效工具。不过，其适用性目前限于所研究的性质类型，推广到其他聚合物体系需进一步验证。
异构图表征与基准测试的启示
异构分子图神经网络通过构建多种节点和边类型，并考虑三个或更多原子间的相互作用，在QM9数据集12个任务中9个达到最优。同时，2020年的基准测试发现图卷积模型优于现有模型。这表明更丰富的图结构表征能提升预测性能，但不同模型在不同任务上的优势并不一致，实际应用中需结合具体任务选择。
Q&A
MGCN模型在分子性质预测中有什么优势？
MGCN是一种分层图卷积神经网络，通过将分子表示为图并利用多级交互从构象和空间信息中直接提取特征，从而进行预测。实验显示MGCN具有显著的泛化能力和可转移性。
多任务学习对小数据集分子性质预测有什么帮助？
多任务学习可以提高模型性能，特别是对于数据点较少的数据集，可以不需要数据增强就能获得较好的效果，并且能显著减小模型的方差。
自动搜索的MPNNs与手工设计的GNNs在分子性质预测上哪个更好？
通过神经架构搜索自动发现的MPNNs在分子性质预测上表现优于手动设计的GNNs。
GCNN如何用于预测聚合物的介电常数和能带隙？
GCNN可以直接从聚合物的形态数据预测介电常数和能带隙，达到与DFT结果非常接近的精度，并优于其他机器学习算法。该方法无需繁琐的手工描述符，可用于快速、精准的逆向设计聚合物。
异构分子图神经网络在QM9数据集上的表现如何？
异构分子图神经网络通过建立多种类型的节点和边来构建分子的异构分子图，并考虑三个或更多原子之间的相互作用，结合神经信息传递机制进行对比化学性质预测。在QM9数据集的12个任务中，有9个达到最优表现。
MXMNet模型是如何表示分子并预测物理化学性质的？
MXMNet将每个分子表示为一个双层多重图，并为每层设计相应的消息传递模块，构建了一种高效且表达能力强的分子结构图神经网络，用于从分子结构预测物理化学性质，并获得了优越的结果。
深度学习方法在抗生素发现任务中取得了什么成果？
深度学习方法将分子表示为图和序列，并开发了优化精度-召回曲线下面积的先进损失函数，以有效从高度不平衡的数据集中学习。在在线和离线抗生素发现和分子属性预测任务中，该方法相对于之前的方法实现了持续的改进，并在与COVID-19相关的AI Cures Open Challenge中以ROC-AUC和PRC-AUC方面均排名第一。
