图网络与药物研发【数据来源与输入特征】

深度学习中药物表征主要有三种方式：

• 描述符
  • 需要计算的定长数值向量，使用最广泛
  • 描述符质量与人类专家知识相关，需要特征工程处理
• 分子图
  • 以原子作为节点，化学键作为边构成分子图，通过GNN学习表征向量，能够针对下游任务学习针对性的特征，弥补描述符的不足
  • 通过分子图特征学习需要大量训练数据，GNN的层数太大会有过平滑现象，限制了特征提取能力
• SMILES
  • 通过NLP方法从字符中学习表征向量，大多数数据都已经以SMILES方式存储，使用最方便，不需要很多处理
  • 分子的结构和化学信息隐式地表示在SMILES中，学习表征向量特别依赖框架的特征提取能力，也需要更多的数据，常用的是Transformer架构（Molecule Attention Transformer）。数据方面可以通过迁移学习，预训练模型（molecular-graph-bert），数据增强（SMILES Enumeration，bidirectional long short term merory attention network）等得到缓解。
  • 同一个分子的SMILES有多种不同的形式，NLP模型可能被这种"同义词"干扰，而且词表vocab很小，与传统的NLP任务有所不同，Knowledge-based-BERT 综合多种表征方式缓解这些问题