基于多模态GNN-BERT框架整合二维拓扑与三维几何的分子临界性质预测研究

《Molecules》：Integrating Molecular Semantics and Three-Dimensional Geometry for Critical Property Prediction: A Multimodal GNN-BERT Framework

　　

摘要

准确预测临界温度、压力和体积对于热力学建模和过程安全设计至关重要，但在数据稀缺条件下，针对复杂分子这仍然具有挑战性。在此，我们开发了一种多模态 GNN-BERT 框架，整合了基于 SMILES 的化学语义、二维拓扑和三维分子几何，用于临界性质预测。BERT 捕获分子序列信息，而图神经网络通过消息传递学习拓扑和几何感知表示。在 913 种化合物上的评估表明，所提出的框架始终优于传统机器学习模型和单模态基线。重要的是，对 BERT、BERT+2D-GNN 和 BERT+3D-GNN 的比较分析显示，纳入三维分子几何在临界温度、压力和体积预测方面提供了稳定的 5–10% 提升。使用随机森林和支持向量回归进行的额外验证进一步证实，三维分子信息的预测贡献不依赖于架构。这些结果突显了三维分子几何作为数据驱动临界性质预测的重要结构参数，并为热力学估算和化工过程安全应用提供了可靠的计算策略。