Nat. Mach. Intell. 速递：基于功能提示的知识图谱发现新药物

关键词：知识图谱，图神经网络，药物发现，分子预测

论文题目：Knowledge graph-enhanced molecular contrastive learning with functional prompt

论文来源：Nature Machine Intelligence

论文链接：https://www.nature.com/articles/s42256-023-00654-0

深度学习模型可以准确地预测分子特性，并使得寻找潜在候选药物的工作更快、更有效。许多现有方法是纯粹的数据驱动，侧重于利用分子的内在拓扑结构和构造规则，没有任何化学先验信息。对数据的高度依赖使它们难以推广到更广泛的化学空间，并导致预测的可解释性不足。

为了解决这个问题，这项发表于 Nature Machine Intelligence 的研究，引入了一个面向化学元素的知识图谱来总结元素及其密切相关的官能团的基本知识。该研究进一步提出了一种知识图谱增强的分子对比学习与功能提示（KANO）方法，在预训练和微调中利用外部基础领域知识。具体来说，以面向元素的知识图谱为先验，首先在基于对比的预训练中设计一个元素引导的图谱增强，在不违反分子语义的情况下探索微观的原子关联。然后，在微调中学习功能提示，以唤起由预训练模型获得的下游任务相关知识。

广泛的实验表明，KANO 在14个分子特性预测数据集上的表现优于最先进的基线，并为其预测提供了化学上的合理解释。这项工作通过提供高质量的知识先验、可解释的分子表征和卓越的预测性能，为更有效的药物设计做出了贡献。