XIMP: Mehrschichtige Graphenkommunikation verbessert Molekülvorhersagen

In der Arzneimittelforschung ist die präzise Vorhersage molekularer Eigenschaften entscheidend. Ein neues Verfahren namens XIMP (Cross Graph Inter‑Message Passing) verspricht, die Leistung von Graph‑Neural‑Networks in datenarmen Szenarien deutlich zu steigern und sogar traditionelle Fingerprint‑Methoden zu übertreffen.

XIMP nutzt eine innovative Kombination aus mehreren Graph‑Abstraktionen: neben dem klassischen Molekülgraphen werden scaffold‑bewusste Junction‑Trees und pharmacophore‑kodierende erweiterte reduzierte Graphen einbezogen. Durch die gleichzeitige Nachrichtenübermittlung innerhalb und zwischen diesen Graphen kann das Modell auf vielfältige Weise Informationen austauschen – sowohl direkt als auch indirekt – und dabei jede Schicht individuell anpassen.

In zehn unterschiedlichen Aufgaben zur Vorhersage molekularer Eigenschaften hat XIMP die führenden Baselines in den meisten Fällen übertroffen. Die interpretierten Abstraktionen wirken als induktive Voreingenommenheit, die das Lernen auf etablierte chemische Konzepte ausrichtet und die Generalisierung, insbesondere bei wenigen Trainingsbeispielen, erheblich verbessert.