Convolutional Networks on Graphs for Learning Molecular Fingerprints

Convolutional Networks on Graphs for Learning Molecular Fingerprints

David Duvenaud, Dougal Maclaurin, etc.

Harvard

Intro

提出了一种新的特征方式 Neural FPs

Creating a differentiable fingerprint

1. 将hashing操作改为single layer of network。
2. circular fingerprint使用index方法，将所有node的feature vector变成一个fingerprint。每一个node根据哈希之后的index，将对应位置的fingerprint bit设置为1。我们使用softmax来模拟这一步操作。这类似CNN中的pooling操作。从而给了我们fingerprint。
3. Canonicalization指的是，在circular fingerprint中，不论我们如何传递进去atom和neighborhood，产生的fingerprint是固定不变的。我们这里就用了一个固定的sorting规则，对于任意一种permutation都会给出固定顺序规则之后的结果。另外替代方案就是求和。

Experiments

跑实验，奇特的是用了tanimoto作为similarity，并且仅仅使用了MSE作为衡量的标准。

Appendix

代码

有一些疑问。比如简单的直接看第二层layer，是否真的能够成功表示这些bond？这是非常直观的结果，觉得可以尝试一下。

还有一个缺点是基于SMILES，并非基于纯正的molecular graph。