Mol-ME：通过多模态对齐学习与集成方法提升分子性质预测精度

《Journal of Chemical Information and Modeling》：Mol-ME: Enhancing Molecular Property Prediction via Multi-Modal Alignment Learning and Ensemble Methods

　　

摘要

分子深度学习在解决复杂的分子性质预测任务中发挥着重要作用。然而，带有标签的分子数据仍然十分稀缺，而且现有的大多数研究都采用单模态方法。大多数单模态模型在同时捕捉分子的拓扑特征以及建模序列中的长距离依赖关系方面存在局限性。在本研究中，我们提出了一种名为Mol-ME的新颖多模态对齐框架，用于联合建模分子图和序列。该框架采用了数据增强策略，以在标签有限的条件下提升模型性能。Mol-ME由四个核心模块组成。第一个模块包含双编码器，它们分别生成基于图和基于序列的分子表示，然后通过对比学习对这些表示进行对齐。第二个模块是一个带门控机制的跨模态融合网络，它利用交叉注意力机制和门控机制来实现对这些表示的精细整合。第三个模块是一个能够感知分子子结构之间潜在关系的特征提取器。最后一个模块则采用集成学习方法对提取出的表示进行预测，这种方法能够捕捉复杂的非线性关系，并弥补单一浅层网络的建模缺陷。在9个基准数据集上的实验结果表明，Mol-ME的表现始终优于所有基线方法，在分子性质预测方面取得了新的最佳性能。