Graphium技术平台与GPS++：分子图神经网络的新突破

Graphium技术平台的灵活性

Graphium是一个专注于分子图表示学习的开源Python库，其独特之处在于将GNN层与模型架构分离，提供了前所未有的代码灵活性。用户可以通过简单的YAML文件配置，轻松替换不同类型的GNN层作为超参数。例如，将基础的GCN替换为GPS++只需修改几行代码。这种灵活性使得Graphium能够持续集成新的架构、GNN层或池化层，保持与行业发展的同步。

GPS++的创新与优势

GPS++是Graphium库中的一种先进模型，其在分子图神经网络中的应用展示了显著的创新。GPS++通过以下方式提升了性能：

• 定制化的MPNN模块：GPS++采用了一个高度优化的MPNN模块，取代了传统的GatedGCN，显著提升了消息传递的效率。

• 2D空间注意力偏置：引入了Graphormer中的2D空间注意力偏置和中心性编码，增强了模型的表达能力。

• 3D输入特征：借鉴Transformer-M的方法，将训练时的3D输入作为节点特征、边特征和注意力偏置，进一步提升了模型的预测精度。

• 噪声节点/边正则化：通过引入噪声节点/边正则化损失，增强了模型的鲁棒性。

多任务学习与大规模数据集

Graphium不仅支持单一任务的训练，还通过多任务学习显著提升了模型的泛化能力。其配套的数据集包含超过8600万个独特分子和高达3300个标签，是当前公开数据集中规模最大的之一。通过同时训练数百万个分子和数千个任务，用户可以获得更广泛化学空间和任务的泛化模型。

未来发展方向

Graphium的开发者们认为，GNNs在药物发现领域有更广泛的应用潜力。未来，Graphium计划扩展到超大规模对接、分子动力学和蛋白质设计等新任务，进一步推动药物发现领域的创新。

通过Graphium技术平台和GPS++模型的结合，研究人员可以更高效地进行分子图神经网络的研究，推动药物发现和化学领域的进步。