面向分子性质预测的局部-全局多模态对比学习
机器学习
2026-02-02 v1 人工智能
摘要
准确的分子性质预测需要整合来自分子结构和化学语义的互补信息。在这项工作中，我们提出了LGM-CL，一个局部-全局多模态对比学习框架，该框架联合建模分子图以及从SMILES和化学感知增强文本中导出的文本表示。局部官能团信息和全局分子拓扑结构分别使用AttentiveFP和图Transformer编码器捕获，并通过自监督对比学习进行对齐。此外，化学富集的文本描述与原始SMILES进行对比，以任务无关的方式融入物理化学语义。在微调过程中，通过双交叉注意力多模态融合进一步整合分子指纹。在MoleculeNet基准上的大量实验表明，LGM-CL在分类和回归任务上都取得了一致且具有竞争力的性能，验证了统一的局部-全局和多模态表示学习的有效性。
引用
@article{arxiv.2601.22610,
title = {Local-Global Multimodal Contrastive Learning for Molecular Property Prediction},
author = {Xiayu Liu and Zhengyi Lu and Yunhong Liao and Chan Fan and Hou-biao Li},
journal= {arXiv preprint arXiv:2601.22610},
year = {2026}
}
备注
16 pages, 9 figures. Submitted to Briefings in Bioinformatics