摘要
动机：计算方法在药物发现中发挥着加速作用，在生物医学领域具有重要意义，例如分子性质预测与化合物-蛋白相互作用识别。其中关键挑战在于如何学习有效的分子表示。早期，分子性质主要通过量子力学计算或传统机器学习方法进行预测，这通常依赖专家知识且过程繁琐耗时。近年来，图神经网络因其强大的图数据表示学习能力而受到广泛关注。然而，现有的基于图的方法仍存在一些亟待解决的局限性，例如参数量过大以及对化学键信息的提取不足。结果：本研究提出一种基于图的新方法——三元消息网络（TrimNet），采用创新的三元消息传递机制，高效地学习分子表示。实验表明，TrimNet在多种分子表示学习任务中均能实现高精度预测，显著减少参数量，涵盖量子性质、生物活性、生理特性以及化合物-蛋白相互作用（CPI）预测等。在多个数据集上的实验结果表明，TrimNet显著优于此前的最先进方法。除参数量少、预测精度高外，TrimNet还能聚焦于对目标性质至关重要的原子，提供清晰的预测可解释性。这些优势使TrimNet成为解决分子表示学习这一复杂问题的强大且实用的计算工具。