论文
使用表格基础模型预测结构转变下的分子性质
Molecular Property Prediction under Structural Shift with Tabular Foundation Models
摘要
预测结构上不同于标记训练分子的化合物的分子特性对于药物发现和材料设计非常重要。表格基础模型（TFM）通过上下文学习提供了一种有前途的方法，但它们在结构变化下的性能以及在这种情况下分子比较的价值仍未得到充分探索。我们研究分子属性预测中的结构泛化，并引入 MolPAIR（分子对增强上下文细化），这是一个结合了分子水平和分子对上下文的框架，无需特定于任务的参数更新。全局表格基础模型 (TFM) 首先根据标记的分子示例预测查询的属性。第二个冻结的 TFM 可预测查询分子和标记参考分子之间的预测误差差异，并使用这些比较来完善初始预测。在 58 个 MoleculeACE 和 Polaris 任务中，CheMeleon 表示与 TabPFN-3 相结合已经在大多数任务上优于每个评估的基线。 MOLPAIR 在 58 项任务中的 46 项上进一步改进了该预测器，在四种分子表示和 3 个 TFM 主干上取得了进展。这些结果表明，显式分子比较可以加强结构泛化的表格上下文学习，同时保持分子编码器和预训练模型权重固定。代码和数据集可在 https://github.com/nums-ai/MolPAIR. 获取