MTS-Net: 분자 그래프 표현 학습을 위한 향상된 토폴로지 인식 아키텍처

분자 그래프 표현 학습은 약물 설계와 같은 다양한 분야에서 널리 적용되어 왔습니다. 이는 깊이 학습 기법을 활용하여 분자 그래프를 숫자 벡터로 변환합니다. 분자 그래프 표현 학습에는 일반적으로 그래프 변환기 아키텍처가 사용됩니다. 그럼에도 불구하고 그래프 변환기에 기반한 기존 방법들은 분자 그래프의 토폴로지 구조 정보를 완전히 활용하지 못하여 분자 표현에서 정보 손실을 초래합니다. 이 문제를 해결하기 위해, 우리는 MTS-Net(분자 토폴로지 구조-네트워크)이라는 새로운 분자 그래프 표현 학습 방법을 제안하며, 이는 분자의 글로벌 및 로컬 토폴로지 구조를 결합합니다. 글로벌 토폴로지 표현에서 분자 그래프는 먼저 트리 구조로 변환된 후 해시 알고리즘을 사용하여 인코딩됩니다. 로컬 토폴로지 표현에서는 원자 쌍 간의 경로가 변환되어 변환기 주의 계수 계산에 통합됩니다. 뿐만 아니라 MTS-Net은 분자 내 핵심 구조를 식별하기 위한 직관적인 해석 가능성을 가지고 있습니다. 여덟 개의 분자 속성 예측 데이터셋에서의 실험 결과, MTS-Net은 다섯 개의 분류 작업 중 세 개에서 최적의 결과를 달성하였고 평균 정확도는 0.85이며, 세 개의 회귀 작업 모두에서 성과를 보였습니다.