一种基于注意力驱动的图变换器,结合非线性建模与神经模糊融合技术,用于高阶有毒分子图的学习

《Molecular Informatics》:An Attention-Driven Graph Transformer With Nonlinear Modeling and Neuro-Fuzzy Fusion for High-Order Toxic Molecular Graph Learning

【字体: 大 中 小 】 时间:2026年05月11日 来源:Molecular Informatics 3.1

编辑推荐:

   图形摘要 我们提出的AKAGTL框架概述:该框架结合了注意力驱动的图变换器编码、基于Kolmogorov–Arnold网络(KAN)的非线性交互模型以及高斯神经模糊融合算法,以实现鲁棒的有毒分子图回归。

  

图形摘要

我们提出的AKAGTL框架概述:该框架结合了注意力驱动的图变换器编码、基于Kolmogorov–Arnold网络(KAN)的非线性交互模型以及高斯神经模糊融合算法,以实现鲁棒的有毒分子图回归。

摘要

为复杂且大小不一的分子图学习具有表现力的表示形式,仍然是有毒分子性质预测和回归中的一个基本挑战。原子相互作用的固有非线性,加上复杂的结构依赖性和潜在的高阶结构特征,使得基于图的学习变得特别困难。尽管最近的深度学习(DL)/图神经网络(GNN)方法利用了信息传递、注意力机制和图变换器架构,但这些技术在非线性表达能力、高阶结构信息的建模以及不确定性处理方面仍存在局限性。为了解决这些问题,我们提出了一种新颖的AKAGTL模型,这是一种基于注意力驱动的Kolmogorov–Arnold网络(KAN)的图变换器框架,用于有毒分子图的嵌入和回归学习。与依赖线性或浅层非线性变换的现有方法不同,我们提出的AKAGTL模型引入了一种结构化的KAN基础功能变换,以在注意力驱动的图变换器框架中明确建模复杂的高阶原子相互作用。此外,高阶结构表示被系统地结合进来以补充结构编码,而高斯神经模糊融合机制则实现了对异构特征空间的不确定性感知聚合。该框架在多个分子毒性基准测试中进行了评估,采用了统一的实验协议并进行了多次运行。在基准分子图数据集上的全面实验表明,与代表性的GNN和图变换器基线相比,我们的AKAGTL模型能够一致地提高回归 accuracy。这些发现表明,联合建模非线性功能相互作用、结构依赖性和不确定性感知融合为有毒分子图的嵌入和回归学习提供了更具表现力和鲁棒性的解决方案。

''>

伦理审批

本文不包含任何作者参与的人类参与者或动物实验。

利益冲突

作者声明不存在利益冲突。

数据可用性声明

本研究使用的数据集是公开可用的。关于数据来源和访问方式的详细信息可以在手稿中找到。

相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号