机器学习方法已经广泛应用于药物发现领域，使得更强大和高效的模型成为可能。在深度模型出现之前，建模分子在很大程度上是由专家知识驱动的;为了表现分子结构的复杂性，这些手工设计的规则被证明是不够的。深度学习模型是强大的，因为它们可以学习问题的重要统计特征——但只有正确的归纳偏差。我们在两个分子问题的背景下解决这个重要的问题:表征和生成。深度学习的典型成功在于它能够将输入域映射到有意义的表示空间。这对于分子问题尤其尖锐，分子之间的“正确”关系微妙而复杂。本论文的第一部分将重点讨论分子表征，特别是性质和反应预测。在这里，我们探索了一种用于分子表示的Transformer式架构，提供了将这些模型应用于图形结构对象的新工具。抛开传统的图神经网络范式，我们展示了分子表示原型网络的有效性，它允许我们对分子的学习性质原型进行推理。最后，我们在改进反应预测的背景下研究分子表示。本论文的第二部分将集中在分子生成，这是至关重要的药物发现作为一种手段，提出有前途的药物候选人。我们开发了一种新的多性质分子生成方法，通过首先学习分子片段的分布词汇。然后，利用这个词汇，我们调查了化学空间的有效探索方法。

PyGSP：Python中的图形信号处理 PyGSP是一个Python软件包，可简化。 该文档可在文档中找到，并且开发在。 存在（大多数未维护的） 。 PyGSP促进了图形上的多种操作，例如计算其傅立叶基础，对信号进行滤波或内插，绘制图形，信号和滤波器。 它的核心是频谱图理论，并且提供的许多操作都可以缩放到非常大的图。 软件包中包含各种图形，包括斯坦福兔子和瑞士卷等点云； 到明尼苏达州道路网之类的网络； 生成随机图的模型，例如随机块模型，传感器网络，Erdős-Rényi模型，Barabási-Albert模型； 简单的图形，例如路径，环和网格。 还提供了许多滤波器组，例如各种小波，例如墨西哥帽，Meyer，Half Cosine； 一些低通滤波器，例如热核和指数窗； 和Gabor过滤器。 尽管有所有预定义的模型，您仍可以通过定义其邻接矩阵来轻松使用自定义图，并通过在光谱域中定义一组函数

Graph Representation Learning

AAAI 2019 Tutorial的图表示学习分享， William Hamilton 和加拿大蒙特利尔算法研究所的Jian Tang 跟大家交流了图表示学习的当前进展

图表示网络