5、分子图神经网络应用全解析

分子图神经网络应用全解析

1. 特征更新计算

在分子图神经网络中，特征更新是关键步骤。在更新模块里，标量特征的更新计算如下：
$\Delta s_{i} = a_{ss}(s_{i}, |W_{v} \overrightarrow{h} {i}|) + a {sv}(s_{i}, |W_{v} \overrightarrow{h} {i}|) < W {u} \overrightarrow{h} {i}, W {v} \overrightarrow{h} {i} >$
这里的$a {ss}$和$a_{sv}$是可学习函数，$W_{v}$和$W_{u}$是可学习的线性投影矩阵。
向量特征的更新计算为：
$\Delta \overrightarrow{h} {i} = a {vv}(s_{i}, |W_{v} \overrightarrow{h} {i}|)W {u} \overrightarrow{h} {i}$
实际应用中，$a {ss}$、$a_{sv}$和$a_{vv}$由同一个网络$a$沿输出的特征维度拆分得到。标量特征和向量特征会通过残差再次更新。

2. 分子图神经网络的应用领域

图神经网络（GNN）在分子科学的多个应用领域得到了广泛应用，主要包括以下几个方面：
- 分子属性预测
- 分子评分与对接
- 分子动力学模拟
- 分子优化与生成

2.1 分子属性预测

这是GNN最