基于σ谱的迁移学习增强分子性质预测

《npj Computational Materials》：Enhanced prediction of molecular properties using transfer learning on sigma profiles

　　

摘要

近年来，得益于分子表示和深度学习建模技术的进步，机器学习技术在预测各类分子性质方面的性能取得了显著提升。西格玛谱是一种代表分子表面电荷分布的计算描述符，作为一种分子表示方法，其在支持稳健的性质预测方面展现了潜力。与此同时，直接基于分子结构输入的大规模预训练深度学习模型（如 Uni-Mol）作为通用分子表示学习器，展现了强劲的性能。本研究旨在通过将西格玛谱的信息与这些先进的深度学习技术相结合，来提升分子性质的预测能力。我们的方法包括微调 Uni-Mol 模型以准确预测西格玛谱，后者捕获了对于确定分子相互作用至关重要的详细分子结构信息。随后，我们利用迁移学习将学习到的权重应用于预测特定的分子性质，通过替换最终输出层来适应每一个新任务。结果表明，在各种数据集上的预测准确性均有所提高，展示了将西格玛谱与最先进的机器学习模型相结合的有效性，并为利用理论驱动的描述符开发来增强大规模数据驱动的分子性质建模展示了一条前进的道路。