用于分子性质预测的多模态融合与关系学习
计算工程、金融与科学
2025-05-28 v2
摘要
基于图的分子表示学习对于药物发现和材料科学中准确预测分子性质至关重要；然而，由于分子之间错综复杂的关系以及训练过程中利用的化学知识有限，该领域面临巨大挑战。虽然对比学习常被用于处理分子间关系，但其对二元度量的依赖不足以捕捉这些相互作用的复杂性。多模态融合已引起性质推理领域的关注，但以往工作仅探索了有限范围的模态，并且不同模态在分子性质任务中的最佳融合阶段仍未得到充分研究。在本文中，我们提出了MMFRL（用于分子性质预测的多模态融合与关系学习），这是一个旨在克服上述局限性的新框架。我们的方法通过使用关系学习的多模态预训练来增强嵌入初始化。我们还系统地研究了不同阶段（如早期、中期和晚期）模态融合的影响，突出了它们的优缺点。在MoleculeNet基准上的大量实验表明，MMFRL显著优于现有方法。此外，MMFRL支持任务特定的优化。同时，MMFRL的可解释性提供了有价值的化学见解，凸显了其在增强现实世界药物发现应用方面的潜力。
关键词
引用
@article{arxiv.2410.12128,
title = {Multimodal Fusion with Relational Learning for Molecular Property Prediction},
author = {Zhengyang Zhou and Yunrui Li and Pengyu Hong and Hao Xu},
journal= {arXiv preprint arXiv:2410.12128},
year = {2025}
}