SMILES-Mamba：用于药物ADMET预测的化学Mamba基础模型
机器学习
2026-03-27 v2 定量方法
摘要
在药物发现中，预测小分子药物的吸收、分布、代谢、排泄和毒性（ADMET）性质对于确保安全性和有效性至关重要。然而，准确预测这些性质的过程通常资源密集，需要大量的实验数据。为了应对这一挑战，我们提出了SMILES-Mamba，一种两阶段模型，通过自监督预训练和微调策略的结合，利用无标签和有标签数据。该模型首先在大量无标签SMILES字符串语料库上预训练，以捕获潜在的化学结构和关系，然后在较小的、特定于ADMET任务的有标签数据集上进行微调。我们的结果表明，SMILES-Mamba在22个ADMET数据集上表现出具有竞争力的性能，在14个任务上取得了最高分数，突显了自监督学习在改善分子性质预测方面的潜力。这种方法不仅提高了预测准确性，还减少了对大规模有标签数据集的依赖，为药物发现领域的未来研究提供了一个有前景的方向。
引用
@article{arxiv.2408.05696,
title = {SMILES-Mamba: Chemical Mamba Foundation Models for Drug ADMET Prediction},
author = {Bohao Xu and Yingzhou Lu and Chenhao Li and Ling Yue and Xiao Wang and Tianfan Fu and Minjie Shen and Lulu Chen},
journal= {arXiv preprint arXiv:2408.05696},
year = {2026}
}