【ICLR】四篇好文简读-专题7

一论文题目：

Data-efficient graph grammar learning for molecular generation 论文摘要：

分子生成问题近年来受到了广泛的关注。现有的方法通常基于深度神经网络，需要在具有数万样本的大数据集上进行训练。然而，在实际应用中，由于劳动密集型的实验和数据收集，特定类别的化学数据集的大小通常十分有限（例如，只有数十个样本）。这对于此前的深度学习生成模型对于全面描述分子设计空间是一个相当大的挑战。另一个主要的挑战是只产生实际上可合成的分子。这对于基于神经网络的生成模型来说是一项困难的任务，因为相关的化学知识只能从有限的训练数据中提取和生成。在这项工作中，作者提出了一个数据高效的生成模型，它可以从比其他模型需求小一个数量级的数据集中学习。该方法的核心是一个可学习的图语法，即从一系列的生成规则中生成分子。在没有任何人工帮助的情况下，这些生产规则将由训练数据自动构建。此外，额外的化学知识可以通过进一步的语法优化来纳入模型中。学习到的图语法在三个只有20个样本的数据集上在生成高质量的分子方面产生了最先进的结果。此方法在一个只有117个训练样本的具有挑战性的聚合物生成任务中也取得了显著的性能，并且与使用81000个训练样本的现有方法具有类似地效果。

论文链接：

https://openreview.net/pdf?id=l4IHywGq6a

二论文题目：

Conformation-Guided Molecular Representation with Hamiltonian Neural Networks 论文摘要：

分子表征对于结合医学化学和深度学习至关重要。虽然将分子的三维几何结构（即构象）纳入其表征是有益的，但目前的三维算法仍处于起步阶段。在本文中，作者提出了一种新的分子表征算法，该算法通过分子哈密尔顿网络（HamNet）保留了分子的三维构象。在HamNet中，分子中原子的隐含位置和动量在哈密顿中按照离散的哈密顿方程进行交互。这些隐含的坐标被设计为具有平移和旋转不变损失的真实构象，并进一步被用作指纹生成器的输入，这是一个消息传递的神经网络。实验表明，哈密顿引擎可以很好地保存分子构象，而且HamNet生成的指纹在MoleculeNet上达到了最先进的性能。

论文链接：

https://openreview.net/forum?id=q-cnWaaoUTH

三论文题目：

All SMILES Variational Autoencoder for Molecular Property Prediction and Optimization 论文摘要：

基于SMILES字符串和分子的图表示的变异自动编码器（VAEs）有望提高分子性质的预测。然而，这些VAEs受到了SMILES字符串的非唯一性和图卷积的计算成本的阻碍。为了有效地沿着分子图的所有路径传递信息，作者使用堆叠的递归神经网络对单个分子的多个SMILES字符串进行编码，在SMILES表征之间协调每个原子的隐藏表征，并使用注意力集合来建立最终的固定长度的潜在表征。通过对分子的SMILES字符串进行解码，在先验的高概率质量子空间附近学习了分子与潜表征之间的偏向性映射。在分子性质回归和性质优化任务中，明显超过了最先进的水平。

论文链接：

https://openreview.net/forum?id=rkxUfANKwB

四论文题目：

Directional Message Passing for Molecular Graphs 论文摘要：

图神经网络最近在预测分子的量子力学性质方面取得了巨大的成功，但这些模型只用原子之间的距离将分子表示为一个图，虽然方向信息在分子的经验势中起着核心作用，但这些模型没有考虑从一个原子到另一个原子的空间方向。为了解决这一问题，作者提出了方向性信息传递网络，方法是通过嵌入了原子之间传递的信息，而不是原子本身。每个信息都与坐标空间中的一个方向相关，且这些方向性的信息嵌入是旋转等价的，因为相关的方向是随着分子旋转的。作者还提出了一个类似于belief传播的消息传递框架，该框架通过基于信息的角度转换来使用方向性信息。此外，作者使用球面Bessel函数和球面谐波来构建有根有据的正交表征，与目前流行的高斯径向基表征相比，在使用不到1/4的参数的情况下实现了更好的性能。作者利用这些创新来构建定向信息传递神经网络（DimeNet）。DimeNet在MD17上比以前的GNN平均高出76%，在QM9上高出31%。

论文链接：

https://openreview.net/forum?id=B1eWbxStPH Github链接：

https://github.com/klicperajo/dimenet