通过非对称对比多模态学习增强化学理解以推进药物发现
机器学习
2025-05-15 v6
摘要
多模态深度学习的通用性在为推进科学研究与实际应用带来巨大前景。随着该领域持续演进，跨模态分析的合力有望驱动变革性创新，开辟化学理解与药物发现的新前沿。为此，我们引入非对称对比多模态学习（ACML），一种专为增强分子理解与加速药物发现进展而设计的方法。ACML利用有效的非对称对比学习，将信息从各类化学模态无缝迁移至分子图表示。通过结合预训练化学单模态编码器与浅层设计（5层）的图编码器，ACML促进来自不同模态的协调化学语义的吸纳，实现高效训练下的全面表示学习。我们通过大规模跨模态检索与同分异构体判别任务展示该框架的有效性。此外，ACML通过揭示图表示中的化学语义增强可解释性，并提升图神经网络的表达能力，这由MoleculeNet与Therapeutics Data Commons（TDC）中分子性质预测任务性能的提升所证实。最终，ACML彰显其革新分子表示学习的潜力，提供对多样模态化学语义的更深洞察，并为化学研究与药物发现的突破性进展铺平道路。
引用
@article{arxiv.2311.06456,
title = {Advancing Drug Discovery with Enhanced Chemical Understanding via Asymmetric Contrastive Multimodal Learning},
author = {Yifei Wang and Yunrui Li and Lin Liu and Pengyu Hong and Hao Xu},
journal= {arXiv preprint arXiv:2311.06456},
year = {2025}
}
备注
51 pages, 19 figures, 11 tables