近日，飞桨在 OGB 该两项分子性质预测榜单登上榜首，在 AI 药物发现领域取得了新的技术突破。

基于飞桨能力实现分子性质预测

飞桨基于图学习框架 PGL，使用深度图神经网络(GNN)，配合生物计算平台螺旋桨 PaddleHelix 对药物发现领域的理解，设计自监督学习任务学习化合物分子表示，并应用到分子性质预测中。核心技术包括：

分子表示学习

为了将化合物分子作为图神经网络方法的输入，需要首先将化合物分子特征化。OGB 已经针对每个化合物提供了一系列基于图结构的结点和边的特征，可以对应到化合物的原子和化学键，但这些特征都较为微观，无法表示化合物分子的宏观化学特性。飞桨通过表示学习的方法，首次将分子的宏观化学特性（官能团、分子指纹等信息）和图神经网络相结合，取得了融合宏观化学特征的分子表示，并利用这个分子表示取得了 ogbg-molhiv 的榜首。

图学习技术

APPNP 是基于个性化 PageRank 改进的特征传播算法，通过迭代的方式来近似 Personal PageRank 的解析解。APPNP 算法不引入额外的模型参数，能够很好地调节局部信息和多阶邻居关系。飞桨通过结合 GINE plus 和 APPNP 技术，在不引入额外的模型参数下，获得更好的模型表达能力，并取得 ogbg-molpcba 榜首。

现阶段来看，螺旋桨 PaddleHelix 可以帮助生物学、药物化学、计算机交叉学科背景的学习者、研究者和合作伙伴更便利地构建 AI 算法模型。

文章部分素材源自：机器之心