Procuring expressive molecular representations underpins AI-driven molecule design and scientific discovery. The research mainly focuses on atom-level homogeneous molecular graphs, ignoring the rich information in subgraphs or motifs. However, it has been widely accepted that substructures play a dominant role in identifying and determining molecular properties. To address such issues, we formulate heterogeneous molecular graphs (HMGs), and introduce a novel architecture to exploit both molecular motifs and 3D geometry. Precisely, we extract functional groups as motifs for small molecules and employ reinforcement learning to adaptively select quaternary amino acids as motif candidates for proteins. Then HMGs are constructed with both atom-level and motif-level nodes. To better accommodate those HMGs, we introduce a variant of Transformer named Molformer, which adopts a heterogeneous self-attention layer to distinguish the interactions between multi-level nodes. Besides, it is also coupled with a multi-scale mechanism to capture fine-grained local patterns with increasing contextual scales. An attentive farthest point sampling algorithm is also proposed to obtain the molecular representations. We validate Molformer across a broad range of domains, including quantum chemistry, physiology, and biophysics. Extensive experiments show that Molformer outperforms or achieves the comparable performance of several state-of-the-art baselines. Our work provides a promising way to utilize informative motifs from the perspective of multi-level graph construction.


翻译:为了解决这些问题,我们制作了异质分子图(HMGs),并引入了一种新型结构,以利用分子模型和3D几何方法之间的相互作用。此外,我们还利用一个多级机制,以收集精细的本地模式,并增加其背景尺度。 一个深层次的、具有可比性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、具有代表性的、

0
下载
关闭预览

相关内容

《计算机信息》杂志发表高质量的论文,扩大了运筹学和计算的范围,寻求有关理论、方法、实验、系统和应用方面的原创研究论文、新颖的调查和教程论文,以及描述新的和有用的软件工具的论文。官网链接:https://pubsonline.informs.org/journal/ijoc
Graph Transformer近期进展
专知会员服务
61+阅读 · 2023年1月5日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
专知会员服务
60+阅读 · 2020年3月19日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
GNN 新基准!Long Range Graph Benchmark
图与推荐
0+阅读 · 2022年10月18日
征稿 | International Joint Conference on Knowledge Graphs (IJCKG)
开放知识图谱
2+阅读 · 2022年5月20日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
讲座报名丨 ICML专场
THU数据派
0+阅读 · 2021年9月15日
会议交流 | IJCKG: International Joint Conference on Knowledge Graphs
KDD2021 | 最新GNN官方教程
机器学习与推荐算法
2+阅读 · 2021年8月18日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
国家自然科学基金
0+阅读 · 2016年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
19+阅读 · 2021年2月4日
Arxiv
27+阅读 · 2020年6月19日
Heterogeneous Graph Transformer
Arxiv
27+阅读 · 2020年3月3日
Arxiv
15+阅读 · 2020年2月5日
Arxiv
13+阅读 · 2019年11月14日
Arxiv
26+阅读 · 2018年2月27日
VIP会员
相关资讯
GNN 新基准!Long Range Graph Benchmark
图与推荐
0+阅读 · 2022年10月18日
征稿 | International Joint Conference on Knowledge Graphs (IJCKG)
开放知识图谱
2+阅读 · 2022年5月20日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
讲座报名丨 ICML专场
THU数据派
0+阅读 · 2021年9月15日
会议交流 | IJCKG: International Joint Conference on Knowledge Graphs
KDD2021 | 最新GNN官方教程
机器学习与推荐算法
2+阅读 · 2021年8月18日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
相关论文
相关基金
国家自然科学基金
0+阅读 · 2016年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员