TRIDENT：结合分类学标注与局部对应的三模态分子表示学习
机器学习
2026-03-03 v2
摘要
分子属性预测旨在学习将化学结构映射到功能属性的表示。虽然多模态学习已成为学习分子表示的强大范式，但先前的工作在很大程度上忽略了用于表示学习的分子文本和分类学信息。我们提出了 TRIDENT，这是一个新颖的框架，它集成了分子 SMILES、文本描述和分类学功能标注来学习丰富的分子表示。为了实现这一点，我们整理了一个包含分子-文本对以及结构化、多层次功能标注的综合数据集。TRIDENT 不依赖传统的对比损失，而是采用基于体积的对齐目标，在全局层面联合对齐三模态特征，从而实现跨模态的软、几何感知对齐。此外，TRIDENT 引入了一种新颖的局部对齐目标，用于捕获分子子结构与其对应子文本描述之间的详细关系。一种基于动量的机制动态平衡全局和局部对齐，使模型能够学习广泛的功能语义和细粒度的结构-功能映射。TRIDENT 在 11 个下游任务上取得了 SOTA 性能，证明了结合 SMILES、文本和分类学功能标注对于分子属性预测的价值。
引用
@article{arxiv.2506.21028,
title = {TRIDENT: Tri-Modal Molecular Representation Learning with Taxonomic Annotations and Local Correspondence},
author = {Feng Jiang and Mangal Prakash and Hehuan Ma and Jianyuan Deng and Yuzhi Guo and Amina Mollaysa and Tommaso Mansi and Rui Liao and Junzhou Huang},
journal= {arXiv preprint arXiv:2506.21028},
year = {2026}
}
备注
Accepted to NeurIPS 2025