본 논문은 기존의 균질 그래프 인코딩 방식의 한계를 극복하고, 외부 지식을 통합하여 다양한 수준의 세분성에서 분자 구조를 표현하기 위해 지식 기반 대조적 이종 분자 그래프 학습(KCHML)이라는 새로운 프레임워크를 제시합니다. KCHML은 분자, 원소, 약리학적 세 가지 그래프 관점을 통해 분자를 개념화하고, 이종 분자 그래프와 이중 메시지 전달 메커니즘을 활용하여 대조 학습을 통해 외부 지식이 포함된 풍부한 분자 표현을 생성합니다. 이를 통해 분자 특성 예측 및 약물-약물 상호작용(DDI) 예측과 같은 후속 작업에 대한 포괄적인 표현을 제공하며, 다양한 벤치마킹을 통해 최첨단 분자 특성 예측 모델보다 우수한 성능을 보임을 입증합니다.
