西湖大学曾坚阳团队开发自监督学习框架KPGT，为AI制药提供新工具

该研究介绍了一种增强分子表示学习的自监督学习框架——KPGT（Knowledge-guided Pre-training of Graph Transformer），在预测不同领域的分子特性方面表现出优异的性能。研究团队使用KPGT成功识别了两个抗肿瘤靶点HPK1和FGFR1的潜在抑制剂，验证了KPGT在药物发现中的实际应用。

这些结果表明了KPGT可以为推进人工智能辅助药物发现（AIDD）过程提供一个强大而有用的工具。

近年来，基于深度学习的方法作为预测分子特性的潜在有用工具出现，主要原因是它们具有从简单输入数据自动提取有效特征的卓越能力。例如包括循环神经网络（RNN）、卷积神经网络（CNN）和图神经网络（GNN）在内的各种神经网络架构。然而，标记分子的有限可用性和化学空间的无穷限制了它们的预测性能，特别是在处理离散数据样本时。随着自监督学习方法在自然语言处理和计算机视觉领域的显著成就，这些技术已被用于预训练GNN和提高分子表示学习，从而在下游分子特性预测任务中取得了实质性的改进。

现有的自监督学习方法通常依赖于GNN作为骨架模型。但GNN只能提供有限的模型容量，因为当增加层数（深度）时，它们会受到过平滑的影响。此外，GNN可能难以捕捉原子之间的远程交互。最新的Transformer模型，正在成为游戏规则的改变者，这些模型的特点是参数数量不断增加，并具有捕捉远程交互的能力，为全面模拟分子的结构特征提供了有希望的途径。

在这项研究中，研究团队介绍了一种增强分子表示学习的自监督学习框架——KPGT（Knowledge-guided Pre-training of Graph Transformer），以推进下游分子属性预测任务。

研究团队利用KPGT成功识别了两个抗肿瘤靶点——造血祖细胞激酶1（HPK1）和成纤维细胞生长因子受体（FGFR1）的潜在抑制剂，展示了KPGT在药物发现中实际应用。

KPGT识别的FGFR1的抑制剂

总的来说，KPGT为有效的分子表示学习提供了一种强大的自监督学习框架，从而推进人工智能辅助药物发现（AIDD）领域的发展。