CN113990408A - 一种基于化学元素知识图谱的分子图对比学习方法 - Google Patents

一种基于化学元素知识图谱的分子图对比学习方法 Download PDF

Info

Publication number
CN113990408A
CN113990408A CN202111181509.7A CN202111181509A CN113990408A CN 113990408 A CN113990408 A CN 113990408A CN 202111181509 A CN202111181509 A CN 202111181509A CN 113990408 A CN113990408 A CN 113990408A
Authority
CN
China
Prior art keywords
molecular
graph
chemical element
chemical
enhancement
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111181509.7A
Other languages
English (en)
Inventor
陈华钧
方尹
杨海宏
庄祥
陈卓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202111181509.7A priority Critical patent/CN113990408A/zh
Publication of CN113990408A publication Critical patent/CN113990408A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/80—Data visualisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于化学元素知识图谱的分子图对比学习方法，包括：根据化学元素周期表中每个化学元素的所有化学属性，构建化学元素知识图谱；利用化学元素知识图谱对分子图进行图增强得到分子增强图；利用可插拔表示模型获得分子图和分子增强图的图表示；采用硬负样本挖掘技术选出与分子图在分子指纹空间相似的其他分子图作为负样本；将正样本对和负样本对的图表示映射到同一空间后，通过最大化正样本对之间的一致性同时最小化负样本对之间的一致性构建对比损失函数，利用对比损失函数进行优化学习；将参数确定的可插拔表示模型与非线性分类器形成预测模型，利用参数微调的预测模型进行分子图的分子性质的预测，以提升分子性质的预测准确性。

Description

一种基于化学元素知识图谱的分子图对比学习方法
技术领域
本发明涉及图对比学习领域，具体涉及一种基于化学元素知识图谱的分子图对比学习方法。
背景技术
在过去几年中，图表示学习(Graph Representation Learning,GRL)已成为分析图结构数据的热门研究领域。图表示学习旨在学习一种将具有复杂结构的图数据转换为保留多样化图属性和结构特征的低维空间中的密集表示的编码函数。
传统的图表示学习方法，利用随机游走将图转化为节点序列，以此建模中心节点与邻居节点之间的共现关系。但是这类学习框架有两个明显的缺点：一是编码器之间缺少参数共享，会占用过多计算资源；二是模型缺乏泛化能力，难以推广应用于新图。近年来，使用图神经网络进行图表示学习受到了广泛关注。图神经网络通常通过领域状态的加权总和来更新节点的隐藏状态。通过节点之间的信息传递，图神经网络能够捕捉来自其领域的信息。
分子图是一类天然具有丰富结构信息的图数据，目前有众多研究利用深度学习方法学习分子图的嵌入表示，以加速药物的研发和分子识别。其中，有监督学习方法通过改进消息传递过程及网络架构，学习分子在低维空间中的表示，并应用于下游的性质预测任务。但获取分子性质标签的实验过程既耗时又消耗资源，任务面临标记数据不足等问题。同时，由于分子空间极为庞大，模型泛化能力较差，限制了其在实际场景中的应用。一些工作设计了复杂的预训练任务学习分子的图表示。
图对比学习作为预训练模型的一种，利用图增强方法在输入图上进行随机扩充，获得两个视图，并使两个视图的表示一致性最大化，以此自监督地学习图嵌入表示。这样的自监督学习方式可以从数据本身中为学习算法挖掘监督信息。尽管图对比学习方法得到了长足的发展，但图增强方法的设计仍然很少被探索。传统的图增强方法包括节点删除、边缘扰动、子图提取和属性屏蔽。但是该对比框架在应用于分子图时有两个明显的缺点：第一，去除或添加化学键或基团将改变分子图的特性和化学含义；第二，分子图中的原子被建模为通过化学键连接才可以产生联系的个体，没有考虑原子微观层面的相关性(具有相同属性的原子之间的共性)。
因此，亟需设计一种新的分子图对比学习方法，来解决现有技术存在的上述问题。
发明内容
将于上述，本发明的目的是提供一种基于化学元素知识图谱的分子图对比学习方法，通过化学元素知识图谱指导图增强方法，提升了分子性质预测的准确性。
为实现以上发明目的，本发明提供以下技术方案：
一种基于化学元素知识图谱的分子图对比学习方法，包括以下步骤：
依据从化学元素周期表获得的每个化学元素的所有化学属性，构建化学元素知识图谱，以建立化学元素之间的微观化学联系；
利用化学元素知识图谱对分子图进行图增强，以获得同时包含拓扑结构和化学领域知识的分子增强图；
利用可插拔表示模型获得分子图和分子增强图的图表示；
采用硬负样本挖掘技术选出与分子图在分子指纹空间相似的其他分子图作为负样本，分子图与其对应的分子增强图组成正样本对，分子图分别与其对应的负样本、负样本对应的分子增强图组成负样本对，分子图对应的分子增强图分别与分子图对应的负样本、负样本对应的分子增强图组成负样本对；
将正样本对和负样本对的图表示映射到同一空间后，通过最大化正样本对之间的一致性同时最小化负样本对之间的一致性构建对比损失函数，利用对比损失函数优化可插拔表示模型参数和对比损失函数的超参数，优化结束后，得到参数确定的可插拔表示模型；
应用时，将参数确定的可插拔表示模型与非线性分类器形成预测模型并进行预测模型的参数微调，利用参数微调的预测模型进行分子图的分子性质的预测。
与现有技术相比，本发明具有的有益效果至少包括：
(1)基于化学元素周期表首次构建了化学元素知识图谱，构建的化学元素知识图谱表征了化学元素之间的微观化学联系。
(2)不同于现有的可能会破坏分子化学含义的图增强方法，本发明利用表征有化学元素之间的微观化学联系的化学元素知识图谱对分子图进行图增强，图增强得到的分子增强图不仅能保留分子图的基本结构信息，还可以捕捉每个原子之间的微观化学联系。
(3)通过利用可插拔表示模型获得分子图和分子增强图的图表示和将正样本对和负样本对的图表示映射到同一空间，为不同类型的邻居节点提供不同种类的消息传递，以便更好地学习图中包含的结构知识和化学领域知识；
(4)不同于现有的随机负采样方法，本发明采用硬负样本挖掘技术，在分子指纹空间找出相似分子图作为负样本，以学习更具有区分性的分子图表示。
(5)在构建正样本对和负样本对的基础上，通过最大化正样本对之间的一致性同时最小化负样本对之间的一致性构建对比损失函数，然后优化可插拔表示模型，这样优化的可插拔表示模型能够很好学习分子图的结构信息和化学元素之间的微观化学联系，得到准确的图表示，基于准确的图表示能够提升分子图的分子性质的预测准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1是本发明实施例提供的基于化学元素知识图谱的分子图对比学习方法的流程图；
图2是本发明实施例提供的利用化学元素知识图谱对分子图进行图增强的原理示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
图1是本发明实施例提供的基于化学元素知识图谱的分子图对比学习方法的流程图。如图1所示，实施例提供的基于化学元素知识图谱的分子图对比学习方法，包括以下步骤：
步骤1，依据从化学元素周期表获得的每个化学元素的所有化学属性，构建化学元素知识图谱，以建立化学元素之间的微观化学联系。
化学元素周期表记载了每个化学元素的所有化学属性，其中，化学属性包括金属性、周期性、族、状态、原子量、电负性、熔点、沸点、电子亲合能、电离能、半径、硬度、模量、密度、导率、热能、丰度，依据这些化学属性可以构建化学元素知识图谱，构建的化学元素知识图谱中，每个三元组为(属性，关系，元素)，即头实体为属性，尾实体为化学元素，关系为化学元素与属性之间的关系。例如，三元组(Halogens,isFamilyOf,Cl)、三元组(Solid,isFamilyOf,Na)，分别表示化学元素Cl属于卤素族，化学元素Na属于固体。构建的化学元素知识图谱由于包含了化学属性，所以表征了化学元素与化学元素之间的微观化学联系。表1是化学元素知识图谱的统计结果：
表1
Figure BDA0003297418040000051
步骤2，利用化学元素知识图谱对分子图进行图增强，以获得同时包含拓扑结构和化学领域知识的分子增强图。
图2是本发明实施例提供的利用化学元素知识图谱对分子图进行图增强的原理示意图。如图2所示，利用化学元素知识图谱对分子图进行图增强的过程包括：
对于分子图中每个节点，节点表示原子或元素，在化学元素知识图谱找到以节点作为尾实体的三元组，并将该三元组的头实体作为新节点，该三元组的关系作为节点与新节点之间的连边，对分子图进行拓扑和增强，得到分子图对应的分子增强图。获得的分子增强图中不仅包含分子图中的拓扑结构知识，还包含基本的化学领域知识，能够捕捉不通过化学键连接的原子之间存在的微观联系。
步骤3，利用可插拔表示模型获得分子图和分子增强图的图表示。
实施例中，可插拔表示模型为基于图神经网络构建的图编码模型，包括图卷积网络(Graph Convolutional Network,GCN)、图注意力网络(Graph Attention Network,GAT)、消息传递神经网络(Message Passing Neural Network,MPNN)、通信消息传递神经网络(Communicative Message Passing Neural Network,CMPNN)。优选地，可以选择MPNN获得分子图及其对应的分子增强图的图表示。
步骤4，采用硬负样本挖掘技术选出与分子图在分子指纹空间相似的其他分子图作为负样本，并构建正样本对和负样本对。
实施例中，采用过硬负样本挖掘技术选出与分子图在分子指纹空间相似的其他分子图作为负样本的过程包括：
将分子图转换为分子指纹，采用谷本系数计算两个分子指纹之间的相似度，当相似度大于设定阈值时，认为两个分子指纹对应的两个分子图互为负样本，即当一个分子图为正样本时，另一个分子图为负样本。
在一个可能的实施方式中，采用化学信息学工具Rdkit将分子转化为分子指纹；分子指纹为Morgan指纹，其中，Morgan指纹通过设定一个从特定原子出发的半径，统计该半径内部分分子结构的数量以组成分子指纹，分子指纹为由0和1组成的向量表示，对应同一种类型分子指纹，每个分子图对应1个分子指纹，且向量维度相同。基于此，采用谷本系数(Tanimoto coefficient)计算两个分子指纹之间的相似度的公式为：
Figure BDA0003297418040000071
其中，e1,e2表示两个分子指纹，s(e1,e2)表示相似度，N1和N2分别表示分子指纹e1和分子指纹e2中出现1的数量，N12表示分子指纹e1和分子指纹e2中相同位置同时出现1的数量。
实施例中，根据实际需求设定相似度阈值，相似度阈值可以设定为0.7。当求得的相似度s(e1,e2)大于相似度阈值时，则两个分子指纹对应的两个分子图互为负样本，负样本是个相对概念，是相对于正样本而言的，若当分子指纹e1对应的分子图为正样本时，则分子指纹e2对应的分子图为负样本。
在确定负样本之后，即可以构建正样本对和负样本对。首先选择1个分子图作为正样本，则该分子图与其对应的分子增强图组成正样本对，分子图分别与其对应的负样本、负样本对应的分子增强图组成负样本对，分子图对应的分子增强图分别与分子图对应的负样本、负样本对应的分子增强图组成负样本对。
步骤5，将正样本对和负样本对的图表示映射到同一空间后，通过最大化正样本对之间的一致性同时最小化负样本对之间的一致性构建对比损失函数，利用对比损失函数进行优化学习。
实施例中，采用双层多层感知机(Multilayer Perceptron,MLP)作为映射头，利用该映射头将将正样本对和负样本对的图表示映射到同一空间。
对于由N个具有相似分子指纹的分子图构成的训练批次，该训练批次中的分子图与其对应的分子增强图互为正样本对，该训练批次中的其他分子图以及这些分子图对应的的分子增强图被视为分子图的负样本，组成负样本对，则构建的对比损失函数为：
Figure BDA0003297418040000081
其中，zi和z′i分别表示组成第i个正样本对的第i个分子图的图表示和分子增强图的图表示，z′j表示与第i个分子图构成负样本对的第j个负样本的图表示或者负样本对应的分子增强图的图表示，τ表示温度参数，也就是要优化学习的参数，sim(·)为余弦相似度，同一训练批次的总对比损失为所有正样本对的对比损失函数li之和。
利用总对比损失优化可插拔表示模型参数和对比损失函数的超参数τ，优化结束后，得到参数确定的可插拔表示模型，该可插拔表示模型能够很好学习分子图的结构信息和化学元素之间的微观化学联系，得到准确的图表示。
步骤6，应用时，将参数确定的可插拔表示模型与非线性分类器形成预测模型并进行预测模型的参数微调，利用参数微调的预测模型进行分子图的分子性质的预测。
实施例中，非线性分类器采用MLP，该MLP与参数确定的可插拔表示模型组成预测模型后，利用下游预测任务的小样本分子图对预测模型进行参数微调之后，利用参数微调的预测模型进行分子图的分子性质的预测。
实施例中，预测任务主要在六个分类数据集上展开，包括在血脑屏障渗透数据集(BBBP)中判断分子是否具有渗透性，在化合物毒性数据集(Tox21)、基于体外高通量筛选的大型化合物毒理学数据集(ToxCast)和临床实验数据集(ClinTox)中判断分子是否具有毒性，在已上市药物和药物不良反应数据库(SIDER)中判断药物是否具有副作用，在人类分泌酶BACE-1抑制剂数据集(BACE)中判断分子是否具有抑制性，对应的分子性质为渗透性、毒性、副作用和抑制性。
上述实施例提供的基于化学元素知识图谱的分子图对比学习方法中，通过步骤1～5，基于化学元素周期表首次构建了化学元素知识图谱，构建的化学元素知识图谱表征了化学元素之间的微观化学联系，在此基础上，利用化学元素知识图谱对分子图进行图增强，这样得到的分子增强图不仅能保留分子图的基本结构信息，还可以捕捉每个原子之间的微观化学联系，再者，通过利用表征有化学元素之间的微观化学联系的化学元素知识图谱对分子图进行图增强，图增强得到的分子增强图不仅能保留分子图的基本结构信息，还可以捕捉每个原子之间的微观化学联系；再者，采用硬负样本挖掘技术，在分子指纹空间找出相似分子图作为负样本，以学习更具有区分性的分子图表示。在利用大样本量分子图构建正样本对和负样本对的基础上，通过最大化正样本对之间的一致性同时最小化负样本对之间的一致性构建对比损失函数，然后优化可插拔表示模型，这样优化的可插拔表示模型能够很好学习分子图的结构信息和化学元素之间的微观化学联系，得到准确的图表示。利用步骤6，在具体下游任务应用时，利用训练好的可插拔表示模型和非线性分类器组成预测模型，利用小样本量的分子图再调优预测模型，以基于准确的图表示能够提升分子图的分子性质的预测准确性。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于化学元素知识图谱的分子图对比学习方法，其特征在于，包括以下步骤：
依据从化学元素周期表获得的每个化学元素的所有化学属性，构建化学元素知识图谱，以建立化学元素之间的微观化学联系；
利用化学元素知识图谱对分子图进行图增强，以获得同时包含拓扑结构和化学领域知识的分子增强图；
利用可插拔表示模型获得分子图和分子增强图的图表示；
采用硬负样本挖掘技术选出与分子图在分子指纹空间相似的其他分子图作为负样本，分子图与其对应的分子增强图组成正样本对，分子图分别与其对应的负样本、负样本对应的分子增强图组成负样本对，分子图对应的分子增强图分别与分子图对应的负样本、负样本对应的分子增强图组成负样本对；
将正样本对和负样本对的图表示映射到同一空间后，通过最大化正样本对之间的一致性同时最小化负样本对之间的一致性构建对比损失函数，利用对比损失函数优化可插拔表示模型参数和对比损失函数的超参数，优化结束后，得到参数确定的可插拔表示模型；
应用时，将参数确定的可插拔表示模型与非线性分类器形成预测模型并进行预测模型的参数微调，利用参数微调的预测模型进行分子图的分子性质的预测。
2.根据权利要求1所述的基于化学元素知识图谱的分子图对比学习方法，其特征在于，所述化学属性包括金属性、周期性、族、状态、原子量、电负性、熔点、沸点、电子亲合能、电离能、半径、硬度、模量、密度、导率、热能、丰度；
构建的化学元素知识图谱中，每个三元组为(属性，关系，元素)，即头实体为属性，尾实体为化学元素，关系为化学元素与属性之间的关系。
3.根据权利要求1所述的基于化学元素知识图谱的分子图对比学习方法，其特征在于，利用化学元素知识图谱对分子图进行图增强的过程包括：
对于分子图中每个节点，节点表示原子或元素，在化学元素知识图谱找到以节点作为尾实体的三元组，并将该三元组的头实体作为新节点，该三元组的关系作为节点与新节点之间的连边，对分子图进行拓扑和增强，得到分子图对应的分子增强图。
4.根据权利要求1所述的基于化学元素知识图谱的分子图对比学习方法，其特征在于，所述可插拔表示模型为基于图神经网络构建的图编码模型，包括GCN、GAT、MPNN、CMPNN。
5.根据权利要求1所述的基于化学元素知识图谱的分子图对比学习方法，其特征在于，所述采用过硬负样本挖掘技术选出与分子图在分子指纹空间相似的其他分子图作为负样本的过程包括：
将分子图转换为分子指纹，采用谷本系数计算两个分子指纹之间的相似度，当相似度大于设定阈值时，认为两个分子指纹对应的两个分子图互为负样本，即当一个分子图为正样本时，另一个分子图为负样本。
6.根据权利要求5所述的基于化学元素知识图谱的分子图对比学习方法，其特征在于，采用化学信息学工具Rdkit将分子转化为分子指纹；所述分子指纹为Morgan指纹。
7.根据权利要求1所述的基于化学元素知识图谱的分子图对比学习方法，其特征在于，采用双层MLP作为映射头，利用该映射头将将正样本对和负样本对的图表示映射到同一空间。
8.根据权利要求1所述的基于化学元素知识图谱的分子图对比学习方法，其特征在于，构建的对比损失函数为：
Figure FDA0003297418030000031
其中，zi和z′i分别表示组成第i个正样本对的第i个分子图的图表示和分子增强图的图表示，z′j表示与第i个分子图构成负样本对的第j个负样本的图表示或者负样本对应的分子增强图的图表示，τ表示温度参数，sim(·)为余弦相似度。
9.根据权利要求1所述的基于化学元素知识图谱的分子图对比学习方法，其特征在于，所述非线性分类器采用MLP，该MLP与参数确定的可插拔表示模型组成预测模型后，利用预测任务的小样本分子图对预测模型进行参数微调之后，利用参数微调的预测模型进行分子图的分子性质的预测。
10.根据权利要求1所述的基于化学元素知识图谱的分子图对比学习方法，其特征在于，所述预测任务包括在血脑屏障渗透数据集中判断分子是否具有渗透性，在化合物毒性数据集、基于体外高通量筛选的大型化合物毒理学数据集以及临床实验数据集中判断分子是否具有毒性，在已上市药物和药物不良反应数据库中判断药物是否具有副作用，在人类分泌酶BACE-1抑制剂数据集中判断分子是否具有抑制性，对应的分子性质为渗透性、毒性、副作用和抑制性。
CN202111181509.7A 2021-10-11 2021-10-11 一种基于化学元素知识图谱的分子图对比学习方法 Pending CN113990408A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111181509.7A CN113990408A (zh) 2021-10-11 2021-10-11 一种基于化学元素知识图谱的分子图对比学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111181509.7A CN113990408A (zh) 2021-10-11 2021-10-11 一种基于化学元素知识图谱的分子图对比学习方法

Publications (1)

Publication Number Publication Date
CN113990408A true CN113990408A (zh) 2022-01-28

Family

ID=79738083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111181509.7A Pending CN113990408A (zh) 2021-10-11 2021-10-11 一种基于化学元素知识图谱的分子图对比学习方法

Country Status (1)

Country Link
CN (1) CN113990408A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115019878A (zh) * 2022-06-10 2022-09-06 武汉科技大学 一种基于图表示和深度学习的药物发现方法
CN115862751A (zh) * 2023-02-16 2023-03-28 泉州装备制造研究所 基于边特征更新聚合注意力机制的量子化学性质计算方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115019878A (zh) * 2022-06-10 2022-09-06 武汉科技大学 一种基于图表示和深度学习的药物发现方法
CN115862751A (zh) * 2023-02-16 2023-03-28 泉州装备制造研究所 基于边特征更新聚合注意力机制的量子化学性质计算方法

Similar Documents

Publication Publication Date Title
CN112669916B (zh) 一种基于对比学习的分子图表示学习方法
Kumar et al. A hybrid approach to clustering in big data
CN113990408A (zh) 一种基于化学元素知识图谱的分子图对比学习方法
CN108959522B (zh) 基于半监督对抗生成网络的迁移检索方法
CN115270007B (zh) 一种基于混合图神经网络的poi推荐方法及系统
CN109992725A (zh) 一种基于双向距离网络嵌入的社交网络表示方法
CN113887698B (zh) 基于图神经网络的整体知识蒸馏方法和系统
Bing et al. Pre-Trained semantic embeddings for POI categories based on multiple contexts
CN117574309B (zh) 融合多标签对比学习和knn的层次文本分类方法
Liu et al. A Novel DBSCAN Clustering Algorithm via Edge Computing‐Based Deep Neural Network Model for Targeted Poverty Alleviation Big Data
CN118364139A (zh) 一种基于知识图谱与图神经网络的论文推荐方法
CN116861923A (zh) 多视图无监督图对比学习模型构建方法、系统、计算机、存储介质及应用
CN116166977A (zh) 一种基于时序图神经网络的物联网服务聚类方法
CN114492569B (zh) 一种基于宽度学习系统的台风路径分类方法
CN115661504A (zh) 基于迁移学习和视觉词包的遥感样本分类方法
Cui et al. Deep hashing with multi-central ranking loss for multi-label image retrieval
CN112633495B (zh) 一种用于小样本类增量学习的多粒度快慢学习方法
CN112418386A (zh) 一种基于网络结构信息熵的网络嵌入方法
CN109086373B (zh) 一种构建公平的链接预测评估系统的方法
Chen et al. Sampled in Pairs and Driven by Text: A New Graph Embedding Framework
CN114610950B (zh) 一种图网络节点表示方法
CN117648623B (zh) 一种基于图池化对比学习的网络分类算法
Jiang et al. Visual Design of Artificial Intelligence Based on the Image Search Algorithm
Shanthamallu et al. Semi-Supervised Learning
Zhao et al. Partner Recommendation Based on Scholar Embedding Method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination