通过手性决定因子核学习分子手性
机器学习
2026-02-10 v1 人工智能
摘要
手性是支配化学与生物学中立刻行为的基本分子性质。将手性捕获纳入机器学习模型仍具有挑战，主要由于手性二级关系的几何复杂性，以及传统分子表示方法常缺乏显式手性编码的局限。现有方法主要聚焦于中心手性，依赖手工制作的手性标签或有限的三维编码，难以推广至轴手性等更复杂形式。在本工作中，我们引入ChiDeK（Chiral Determinant Kernels，手性决定因子核），一个系统性地将手性信息整合到分子表示学习中的框架。我们提出手性决定因子核，用于编码SE(3)-不变手性矩阵，并采用跨注意力机制将来自局部手性中心的手性信息整合到全局分子表示中。该设计使得在统一架构中能够显式建模与手性相关的特征，能够同时编码中心手性与轴手性。为支持轴手性评估，我们构建了一个新的基准，用于预测电子圆二色性（ECD）和光学旋转（OR）。在包括R/S构型分类、手性体排序、ECD光谱预测和OR预测四项任务中，ChiDeK相较于最先进的基线实现了显著提升，尤其在轴手性任务上平均准确率提升超过7%。
引用
@article{arxiv.2602.07415,
title = {Learning Molecular Chirality via Chiral Determinant Kernels},
author = {Runhan Shi and Zhicheng Zhang and Letian Chen and Gufeng Yu and Yang Yang},
journal= {arXiv preprint arXiv:2602.07415},
year = {2026}
}
备注
Accepted at the ICLR 2026