Graph Memory Networks for Molecular Activity Prediction
Introduction
graph(图)作为一种数据结构,能够表达非常复杂的关系,比如社交关系网络,见下图。充分挖掘graph中蕴含的知识,是一个非常challenging的任务,已有的方法像 kernel-based method运用到大量数学知识,值得学习一下,但在deep learning爆炸的年代,任何东西不和deep learning结合一下都没法上得了台面,可以Google到,近几年有许多graph+deep learning的工作涌现出来,有时间我打算单独对一些代表性的工作做一个系统的总结,今天,就以该文章作为一个引子,先感受一下。

该文章做的是一个基于graph的分子活性预测问题。molecule(分子)是由若干个atom(原子)通过化学键连接在一起的,我们可以把一个molecule看作一个graph,通过挖掘molecular内部的连接关系形成对molecular的整体认识,然后就可以用来做molecule的生物活性预测了。
Approach
本文使用了一种叫做Graph Memory Networks (Graph-Mem)的方法,整体来讲是这样一个过程,如下图所示:
- 1)建立一个memory