Benchmarking Toxic Molecule Classification using Graph Neural Networks and Few Shot Learning

要約

グラフ畳み込みネットワーク (GCN) などの従来の手法は、限られたデータとクラスの不均衡という課題に直面しており、分子全体の毒性予測中のグラフ分類タスクのパフォーマンスが最適以下になります。
これらの問題に対処するために、私たちは分子の構造データとその毒物学的特性を正確に捕捉するために、グラフ上でグラフ同型ネットワーク、多頭注意、自由大規模敵対的拡張の力を個別に活用しています。
さらに、限られた注釈付きサンプルでモデルの一般化を向上させるために、Few-Shot Learning を組み込みます。
多様な毒性データセットに対する広範な実験により、私たちの方法がベースライン GCN モデルを 11.4% 上回る、0.816 という素晴らしい最先端の AUC-ROC 値を達成することが実証されました。
これは、創薬および環境リスク評価プロセスを強化する可能性を伴う、有毒分子分類の進歩における私たちの提案する方法論とフューショット学習の重要性を強調しています。

要約(オリジナル)

Traditional methods like Graph Convolutional Networks (GCNs) face challenges with limited data and class imbalance, leading to suboptimal performance in graph classification tasks during toxicity prediction of molecules as a whole. To address these issues, we harness the power of Graph Isomorphic Networks, Multi Headed Attention and Free Large-scale Adversarial Augmentation separately on Graphs for precisely capturing the structural data of molecules and their toxicological properties. Additionally, we incorporate Few-Shot Learning to improve the model’s generalization with limited annotated samples. Extensive experiments on a diverse toxicology dataset demonstrate that our method achieves an impressive state-of-art AUC-ROC value of 0.816, surpassing the baseline GCN model by 11.4%. This highlights the significance of our proposed methodology and Few Shot Learning in advancing Toxic Molecular Classification, with the potential to enhance drug discovery and environmental risk assessment processes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google