UniMatch：面向少样本药物发现的通用匹配——从原子到任务
机器学习
2025-02-19 v1 人工智能
生物大分子
摘要
药物发现对于识别 various 疾病的候选药物至为重要。然而，其低成功率常导致标注稀缺，形成少样本学习问题。现有方法主要关注单尺度特征，忽略决定不同分子性质的层次化分子结构。为此，我们引入了通用匹配网络（UniMatch），一种双重匹配框架，集成了显式的层次化分子匹配与通过元学习实现的隐式任务级匹配，搭建了多级分子表征与任务级泛化之间的桥梁。具体而言，我们的方法通过层次化池化和匹配，显式地捕获跨多个层次的结构特征，包括原子、次结构和分子，从而促进精确的分子表征与比较。此外，我们采用元学习策略进行隐式任务级匹配，使模型能够捕获跨任务的共享模式并快速适应新任务。这种统一的匹配框架确保了有效的分子对齐，同时利用共享的元知识实现快速适应。我们的实验结果表明，UniMatch 在 MoleculeNet 和 FS-Mol 基准测试上超越了当前最先进的方法，AUROC 提升 2.87%，delta AUPRC 提升 6.52%。UniMatch 在 Meta-MolNet 基准测试上也表现出色的泛化能力。
引用
@article{arxiv.2502.12453,
title = {UniMatch: Universal Matching from Atom to Task for Few-Shot Drug Discovery},
author = {Ruifeng Li and Mingqian Li and Wei Liu and Yuhua Zhou and Xiangxin Zhou and Yuan Yao and Qiang Zhang and Hongyang Chen},
journal= {arXiv preprint arXiv:2502.12453},
year = {2025}
}
备注
accepted as ICLR 2025 Spotlight