MolProphecy：通过多模态框架桥接药物化学家知识与分子预训练模型
机器学习
2025-07-08 v1 人工智能
计算工程、金融与科学
摘要
MolProphecy 是一个以人类在环（human-in-the-loop）方式设计的多模态框架，旨在将化学家的领域知识集成到分子属性预测模型中。虽然分子预训练模型已在预测精度方面取得显著提升，但往往难以捕捉专家驱动的分子设计中核心的隐性、解释性推理。为此，MolProphecy 采用 ChatGPT 作为虚拟化学家，模拟专家水平的推理与决策。生成的化学家知识由大语言模型（LLM）嵌入作为专门的知识表示，然后通过门控交叉注意力机制与基于图的分子特征融合，实现对人类派生特征与结构特征的联合推理。在四个基准数据集（FreeSolv, BACE, SIDER, ClinTox）上进行评估，MolProphecy 的表现优于当前最先进（SOTA）模型，在 FreeSolv 上实现 RMSE 降低 15.0%，在 BACE 上实现 AUROC 提升 5.39%。分析表明，化学家知识与结构特征提供了互补的贡献，提升了准确率和可解释性。MolProphecy 提供了一种实用且可推广的协同药物发现方法，能够灵活地将真实化学家输入替代当前的模拟代理，而无需重新训练模型。该实现已公开于 https://github.com/zhangruochi/MolProphecy。
引用
@article{arxiv.2507.02932,
title = {MolProphecy: Bridging Medicinal Chemists' Knowledge and Molecular Pre-Trained Models via a Multi-Modal Framework},
author = {Jianping Zhao and Qiong Zhou and Tian Wang and Yusi Fan and Qian Yang and Li Jiao and Chang Liu and Zhehao Guo and Qi Lu and Fengfeng Zhou and Ruochi Zhang},
journal= {arXiv preprint arXiv:2507.02932},
year = {2025}
}
备注
16 pages,7 figures