MolUNet++：自适应粒度显式子结构与互作感知分子表示学习

摘要

分子表示学习是人工智能驱动药物研发中的关键任务。尽管图神经网络(GNN)在该领域已表现出优异性能并被广泛应用，但高效提取并显式解析官能团仍是一项挑战。为此，我们提出了MolUNet++模型，该模型通过分子边收缩池化(Molecular Edge Shrinkage Pooling,MESPool)实现分层子结构提取，利用嵌套式UNet框架进行多粒度特征融合，并结合子结构掩蔽解释器实现分子片段的定量分析。我们在分子性质预测、药物-药物相互作用(Drug-Drug Interaction,DDI)预测及药物-靶标相互作用(Drug-Target Interaction,DTI)预测等任务上对MolUNet++进行了评估。实验结果表明，MolUNet++不仅在预测性能上优于传统GNN模型，同时展现出显式、直观且符合化学逻辑的可解释性，为药物设计与优化领域的研究者提供了有价值的启示与工具。

关键词

分子表示学习 / 图神经网络 / 结构识别 / 自适应粒度