Hierarchisches Molekül-Embedding: GraSPNet revolutioniert selbstüberwachtes Lernen

Graph‑Self‑Supervised Learning (GSSL) hat gezeigt, dass graphbasierte Embeddings ohne menschliche Anmerkungen erzeugt werden können – ein großer Gewinn für Bereiche, in denen das Labeln teuer ist, wie die Analyse von Molekülgraphen.

Allerdings konzentrieren sich die meisten GSSL‑Methoden bislang auf Knoten‑ oder Kantendaten und vernachlässigen chemisch relevante Teilstrukturen, die entscheidend für die Eigenschaften eines Moleküls sind.

Die neue Methode GraSPNet löst dieses Problem, indem sie Molekülgraphen hierarchisch verarbeitet. Sie zerlegt die Graphen in chemisch sinnvolle Fragmente, ohne dass zuvor ein Vokabular definiert werden muss, und lernt gleichzeitig Repräsentationen auf atomarer und fragmentärer Ebene.

Durch mehrstufiges Message‑Passing und maskierte semantische Vorhersagen auf beiden Ebenen erhält GraSPNet eine mehrschichtige, semantisch angereicherte Sicht auf die Molekülstruktur. Diese hierarchische Supervision ermöglicht es, strukturelle Informationen in unterschiedlichen Auflösungen zu erfassen, die sowohl ausdrucksstark als auch übertragbar sind.

Umfangreiche Tests an mehreren Benchmarks zur Vorhersage molekularer Eigenschaften zeigen, dass GraSPNet chemisch sinnvolle Repräsentationen erlernt und in Transfer‑Learning‑Szenarien konsequent die führenden GSSL‑Methoden übertrifft.