零样本分子性质预测综述
计算工程、金融与科学
2025-10-13 v1
摘要
AI辅助的分子性质预测近年来成为早期药物发现和材料设计中一个有前景的技术。然而，由于高昂的实验成本和复杂的实验室操作，实际分子常常面临标注数据稀缺的问题，导致有效的监督式AI模型学习数据有限。鉴于此，零样本分子性质预测（FSMPP）作为一种仅需少数标注样本即可学习的表达范式而逐渐受到关注。尽管注意力迅速增加，现有FSMPP研究仍然分散杂乱，缺乏一个连贯的框架来捕捉方法论的进展和领域特定的挑战。本文首次提出了一项关于零样本分子性质预测的全面且系统的综述。我们首先分析了分子数据集中的零样本现象，突出了两个核心挑战：（1）在分布迁移下的跨性质泛化，其中每个任务（对应每个性质）可能遵循不同的数据分布，甚至从生化角度看与其他性质本质上存在弱关联，需要模型在异构预测任务之间进行知识迁移；（2）在结构异质性下的跨分子泛化，其中涉及不同或相同性质的分子可能呈现显著的结构多样性，使得模型难以实现泛化。随后，我们引入一个统一的分类法，将现有方法组织于数据、模型和学习范式三个层次，反映其在零样本分子性质预测中从稀缺监督信息中提取知识的策略。接着，我们对代表性方法进行比较，总结了基准数据集和评估协议。最后，我们确定了推动FSMPP持续研究的关键趋势和未来方向。
引用
@article{arxiv.2510.08900,
title = {Few-shot Molecular Property Prediction: A Survey},
author = {Zeyu Wang and Tianyi Jiang and Huanchang Ma and Yao Lu and Xiaoze Bao and Shanqing Yu and Qi Xuan and Shirui Pan and Xin Zheng},
journal= {arXiv preprint arXiv:2510.08900},
year = {2025}
}
备注
Its a survey about few-shot molecular property prediction