Skip to content

Deep Learning › 表示學習 › 圖神經網路

圖神經網路 (Graph Neural Networks, GNN) ​

很多生物資料天然是圖:分子(原子 = 節點、化學鍵 = 邊)、蛋白質交互作用 (PPI) 網路、基因調控網路、空間轉錄體中相鄰的細胞。GNN 讓每個節點反覆從鄰居收集資訊,學到同時反映自身特徵與圖結構的表示。

古典網路指標(中心性、社群偵測)見 網路分析;那些方法不需訓練,常是 GNN 前該先做的 baseline。

圖的表示 ​

元素符號shape例子(分子)
節點特徵X(N 節點, F)原子種類、電荷
邊edge_index(2, E),每欄一條邊(來源, 目標)化學鍵
邊特徵(可選)edge_attr(E, F_e)單鍵 / 雙鍵
標籤y每節點、每邊或每張圖毒性、溶解度

圖的節點沒有固定順序,所以不能直接把鄰接矩陣攤平丟進 MLP:同一張圖換個節點編號就變成不同輸入。GNN 的運算對節點順序是不變的 (permutation invariant)。

訊息傳遞 (Message Passing) ​

每一層,每個節點:

text
1. 收集:從每個鄰居 u 取得訊息 m = φ(h_u)
2. 彙整:對所有鄰居訊息做順序無關的聚合(sum / mean / max)
3. 更新:h_v ← ψ(h_v, 彙整結果)

疊 k 層後,每個節點的表示包含 k 步以內的鄰居資訊(類似 CNN 的感受野)。

模型聚合方式特點
GCN依度數正規化的鄰居平均:H′=σ(D~−1/2A~D~−1/2HW)簡單、強 baseline;A~=A+I 含自環
GraphSAGE抽樣部分鄰居再聚合可擴展到大圖、可處理新節點 (inductive)
GAT用 attention 學每個鄰居的權重鄰居重要性不同時
GINsum 聚合 + MLP分辨圖結構的能力最強,圖層級任務常用
圖 Transformer所有節點互相 attention + 結構編碼大型分子模型

三種任務 ​

層級輸出生資例子關鍵
節點每個節點一個預測PPI 網路中預測基因功能 / 疾病基因;空間轉錄體細胞類型同一張大圖切 train / val 節點
邊(連結預測)兩節點間是否有邊預測新的交互作用、藥物–標靶、藥物再利用留出部分邊當測試
圖每張圖一個預測分子性質(毒性、溶解度、結合親和力)需要 readout(全域 pooling)

PyTorch Geometric 範例 ​

python
import torch
import torch.nn.functional as F
from torch_geometric.data import Data
from torch_geometric.nn import GCNConv, global_mean_pool

# 一張 4 節點的無向圖:每條邊兩個方向都要列
edge_index = torch.tensor([[0, 1, 1, 2, 2, 3],
                           [1, 0, 2, 1, 3, 2]])
data = Data(x=torch.randn(4, 16), edge_index=edge_index)

class GCN(torch.nn.Module):
    def __init__(self, f_in, hidden, n_out):
        super().__init__()
        self.conv1, self.conv2 = GCNConv(f_in, hidden), GCNConv(hidden, hidden)
        self.head = torch.nn.Linear(hidden, n_out)

    def forward(self, x, edge_index, batch=None):
        x = F.relu(self.conv1(x, edge_index))
        x = F.dropout(x, p=0.5, training=self.training)
        x = self.conv2(x, edge_index)
        if batch is not None:                       # 圖層級任務:每張圖的節點取平均
            x = global_mean_pool(x, batch)
        return self.head(x)

GCN(16, 32, 3)(data.x, data.edge_index).shape       # torch.Size([4, 3])  節點層級

多張小圖(分子資料集)用 torch_geometric.loader.DataLoader 自動拼成一個大的不相連圖,batch 向量記錄每個節點屬於哪張圖。其他選擇:DGL;分子專用的 DeepChem、Chemprop。

常見陷阱 ​

陷阱說明
過度平滑 (over-smoothing)層數一多,所有節點表示趨於相同;GNN 通常只用 2~4 層
節點任務的資訊洩漏訓練時 message passing 會用到 test 節點的特徵與邊(transductive 設定);測試邊必須從訓練圖中移除
連結預測的負樣本「沒有記錄的交互作用」不等於「不存在」,只是還沒測;隨機負樣本會讓分數虛高
網路本身的偏誤PPI 資料庫中研究較多的基因(如 TP53)連結特別多;模型可能只學到「度數高 = 疾病基因」——先和度數 baseline 比較
分子資料切分隨機切會讓結構相似的分子跨 train / test;用 scaffold split 評估對新化學結構的泛化
不一定需要 GNN分子用指紋 (fingerprint) + 梯度提升樹常是很強的 baseline