Convolutional Embedding of Attributed Molecular Graphs for Physical Property Prediction

Connor W. Coley, Regina Barzilay, William H. Green, Tommi S. Jaakkola, Klavs F. Jensen

MIT

Intro

提出了一个与Duvenaud的neural fingerprint方法相关的方法。

Model Design:最大的不同就是直接将atom feature和bond feature concatenate，而非通常的non-linear结合。结合的步骤在Figure 2中。

atom和bond feature的初始特征在table1和2中表示。

算法大致流程：

初始化$$A_{i,k}^{r=0} = [atom_i, 0]$$
对于每一层的$$A_{i,k}^{r}$$，都cumulative sum up到fingerprint layer
更新$$A{i,k}^{r}$$：$$A_i^{r+1} = \sigma(W \cdot [\sum{j=1}^{N{atom}} M{i,j}^{r}]+b)$$
更新$$M$$: 如果i和j不等并且i和j不相连，那么保持$$M{i,j}$$不变；否则$$M{i,j}^{r+1} = M{i,j}^r - A_j^r + A{j}^{r+1}$$，这个转换换个角度理解，就是保存bond部分的feature不变，将atom部分的feature从$$A{i,j}^r$$变成$$A{j}^{r+1}$$. 按照paper中所述，bond部分的feature是永远不会改变的，我担心的是很可能$$A{j}^{r+1}$$在由$$A{j}^{r}$$转换的时候，在bond部分的feature就已经发生了改变，从而导致bond部分feature在后面的layer都改变。

这篇paper是16年10月写完，17年7月发表。

缺乏和前置paper的结果比较。

纯粹将mol当作二位结果考虑，忽视了bond distance和三维结构。