基于图编辑网络的分子图相似度学习结题报告.docVIP

基于图编辑网络的分子图相似度学习结题报告

一、研究背景与问题提出

在cheminformatics（cheminformatics，即化学信息学）领域，分子结构的相似性评估是药物发现、材料设计和生物活性预测等任务的核心基础。传统的分子相似度计算方法，如基于指纹的Tanimoto系数、基于药效团的匹配算法等，虽然在工业界得到广泛应用，但存在明显的局限性。这些方法大多依赖于人工设计的特征表示，难以捕捉分子结构中复杂的空间拓扑关系和原子间的相互作用。例如，两个具有相似药理活性的分子可能具有完全不同的指纹特征，导致传统方法无法准确识别其相似性。

随着深度学习技术的兴起，图神经网络（GraphNeuralNetworks,GNNs）为分子结构的建模提供了新的思路。分子可以自然地表示为图结构，其中原子是节点，化学键是边。GNNs能够通过消息传递机制学习分子的隐式表示，从而更全面地捕捉分子的结构信息。然而，现有的GNNs在处理分子相似度学习任务时，通常是将分子图映射到低维向量空间，然后通过计算向量间的距离来评估相似度。这种“嵌入后比较”的范式存在两个关键问题：一是向量空间中的距离度量并不总能准确反映分子图之间的结构相似性；二是模型缺乏对分子编辑操作（如原子替换、键的添加/删除）的显式建模，而这些操作正是药物化学家在分子优化过程中常用的手段。

图编辑网络（GraphEditNetwo