通用分子基础模型可跨多种嗅觉任务迁移

基础模型已经改变了分子属性预测，但目前尚不清楚在单个规范嗅觉预测任务上进行微调的分子基础模型是否可以学习跨不同机器嗅觉问题转移的表示。我们通过 微调 Uni-Mol2 在 GS-LF 基准上研究了这个问题，用于多标签气味描述符预测，并在没有额外深度学习训练的情况下，在四个互补的下游设置上评估结果模型：跨数据集气味描述符预测、有味与无味分类、对映体评估和气味混合物辨别能力。经过微调的模型匹配或超过了主要 GS-LF 基准上最先进的嗅觉特定基线的性能，并在这些下游评估中一致地转移。对映体分析进一步表明，三维分子表示以二维图模型根本无法区分镜像分子的方式，尽管准确预测立体化学的感知结果仍然是一个开放的挑战。总之，这些结果支持机器嗅觉的一次训练、跨任务转移范例，并表明化学预训练的分子表示为可转移的嗅觉预测提供了坚实的基础。