【药物设计】5分钟快速了解药物设计中什么是motifs?

1. 什么是Motifs?

维基百科：经常出现的统计学上非常重要的子图或子结构，
**“高出现频率的分子片段”**是它与fragment的区别，一个是高频出现一个不是高频出现。

下面给出例子，分子图通过一些分解手段来构造一些子结构，列出了如下4个例子：

1. 第一个子结构包含了绝大多数分子图中的点，也就是说本身这个子结构包含了很多非常有用的信息。但是由于这个结构非常特殊，很难在其他图中找到相同的子结构，所以就不把它当作motif。
2. 第二个和第三个例子可以被当作motif，首先是因为它们都经常出现在各种分子图中。另一方面根据化学中的domain knowledge，可以知道这两个子结构具有特殊的性质。所以认为这两种子结构都可以被当作motif。
3. 最后一个例子是一个碳氢结构，该结构也经常出现在图中。但是目前还很难知道它有什么特殊的性质，所以不把它作为motif。

2. 为什么要了解Motifs？

第一个原因就是motif已经在图领域被广泛学习，而且已被证明可以对一些图表示学习起到帮助。第二个原因是motif作为统计学上较重要的子图，学习motif本身也就如同在学习图中的一个重要子结构。自然也可以学习到一些有用的信息来帮助分子图的表示学习。

对比NLP和图领域，这两者有非常多的相似之处。在图中以node作为基本的单位，在NLP中把字母作为基本的单位；图中的edge这种两个node之间的关系可以看做NLP中两个相邻字母之间的关系；图中的子图在NLP中也可以用连续的字母作为相对应的关系。图中的motif在NLP中也可以被看作word，在NLP中word embedding的学习是非常重要的，无论是对于sentence还是document。类比过来，图中motif的学习对于graph的学习也是非常重要的。

3. Motif字典

构建motif的字典，首先给一个数据集选取一个提取motif的方法，然后遍历数据集中所有的分子图提取出一些子图。也可以进行筛选，选出一些重要的子图。当然也可以不做筛选，全部放在字典之中。这样肯定也不会遗漏信息。

需要强调的是，提取motif方法的选择也很重要。可以用环来代表非常多的motif，本研究中的提取方法就是选取所有的环结构，那些不在环结构上的边作为motif放入字典之中。其他一些分子中的成熟的decomposition方法例如RECAP和BRICS提取出来的motif相对较大，很难控制字典的大小，因为当motif过大的时候就不够基础，提取出的motif中数量就很难控制。只提取环和边的另一个好处是其时间复杂度不是很高，只有$O(n^2)$。