摘要
预测药物对人类身体的宏观影响，如疗效和毒性，是基于小分子的药物发现中的核心问题。分子可以表示为无向图，我们可以利用图卷积网络来预测分子性质。然而，图卷积网络和其他图神经网络主要关注节点级别的表示学习，而不是图级别的表示学习。以往的研究方法简单地将图中所有节点的特征向量相加，以获得用于药物预测的图特征向量。在本文中，我们引入了一个虚拟超级节点（dummy super node），该节点通过有向边与图中的所有其他节点相连，作为图的表示，并修改了图操作以帮助虚拟超级节点学习图级别的特征。因此，我们可以像处理节点级别的分类和回归一样处理图级别的分类和回归问题。此外，我们应用了焦点损失（focal loss）来解决药物数据集中的类别不平衡问题。在MoleculeNet上的实验表明，我们的方法可以有效提高分子性质预测的性能。