Prédiction des propriétés moléculaires basée sur l'embedding de graphe spatial

La prédiction précise des propriétés moléculaires est essentielle pour la conception de nouveaux composés, étape cruciale dans la découverte de médicaments. Dans cet article, les données de graphes moléculaires sont utilisées pour la prédiction de propriétés à l’aide de réseaux de neurones à convolution de graphes. En outre, une couche d’encodage de graphe spatial par convolution (C-SGEL) est introduite afin de préserver les informations de connexion spatiale au sein des molécules. Plusieurs couches C-SGEL sont empilées pour construire un réseau d’encodage de graphe spatial par convolution (C-SGEN), permettant un apprentissage de représentation end-to-end. Afin d’améliorer la robustesse du modèle, les empreintes moléculaires sont également combinées au C-SGEN pour former un modèle hybride destiné à la prédiction des propriétés moléculaires. Nos expériences comparatives montrent que notre méthode est précise et atteint les meilleurs résultats sur plusieurs jeux de données de référence ouverts.