MolFusion：基于多粒度视图的分子表示多模态融合学习
机器学习
2024-06-27 v1 人工智能
化学物理
摘要
人工智能通过对药物分子进行编码来预测药物性质，辅助快速筛选候选药物。不同的分子表示（如 SMILES 和分子图）包含互补信息，因此利用不同分子表示之间的互补信息是分子编码研究的优先事项之一。大多数现有方法仅使用分子层面的信息，难以编码不同模态之间的分子内部对齐信息。为此，我们提出了一种多粒度融合方法，即 MolFusion。该方法由两个关键组件构成：(1) MolSim，一种分子层面的编码组件，实现不同分子表示之间的分子层面对齐；(2) AtomAlign，一种原子层面的编码组件，实现不同分子表示之间的原子层面对齐。实验结果表明，MolFusion 有效地利用了多模态信息的互补性，在各种分类和回归任务上实现了显著的性能提升。
引用
@article{arxiv.2406.18020,
title = {MolFusion: Multimodal Fusion Learning for Molecular Representations via Multi-granularity Views},
author = {Muzhen Cai and Sendong Zhao and Haochun Wang and Yanrui Du and Zewen Qiang and Bing Qin and Ting Liu},
journal= {arXiv preprint arXiv:2406.18020},
year = {2024}
}
备注
8 pages, 5 figures