用于分子性质预测的组合层次图的多级自监督预训练

分子图的自监督预训练已成为分子特性预测的一种有前途的方法，但大多数现有方法在单一结构粒度上运行，并将键信息视为辅助边缘属性而不是独立的语义层。在这项工作中，我们提出了 MolCHG，这是一种基于新颖的组合层次图的多级自监督预训练框架，该框架将分子结构组织成跨三个语义级别的四种类型的节点。通过引入与原子图并行运行的键图，我们的架构将键级信息提升为独立演化的节点表示，使片段节点能够在平等的基础上聚合原子级和键级语义。我们设计了三个特定级别的预训练目标：原子键跨视图对比任务，用于对齐每个片段内的原子视图和键视图表示；片段级功能组预测任务，用于注入领域相关的化学知识；以及图级结构预测任务，用于编码全局分子拓扑。对 9 个 MoleculeNet 基准测试的实验表明，MolCHG 在分类和回归任务的 7 个数据集上实现了最佳性能，与其余的最强基线保持了竞争力。消融研究进一步证实，多级监督信号是互补的，并且每个组件都对整体性能做出贡献。