Apr, 2024

分子文本的层次对齐：统一的分子理解和生成

PDF
TL;DR提出了一种多模式分子表示学习框架 Atomas，通过学习 SMILES 字符串和文本表示，同时学习两种模态之间细粒度的片段对应关系，并在三个层面上对这些片段进行对齐，实现了对多个下游任务的支持，并在检索任务和生成任务中取得了显著的结果。
molecule-and-text cross-modal representation learningsmiles stringmulti-modal molecular representation learning frameworkhierarchical adaptive alignment modeldownstream tasks
发现论文，激发创造
  • 基于多模态分子结构文本模型的文本检索和编辑

    该研究介绍了一种新的多模态分子结构 - 文本模型 MoleculeSTM，它结合学习化学结构和文本描述，以有效利用化学领域中丰富的文本知识，同时提高药物设计的效率和创新能力，并在多个基准测试中获得了最先进的泛化能力。

    Dec, 2022

  • 文本与分子之间的桥梁：一项关于分子多模态框架的调查

    通过综述多模态分子研究的框架，本文探讨了人工智能在分子科学中的应用，特别关注文本与分子之间的对齐方法以及使用大型语言模型和提示技术进行分子任务的重要应用，同时讨论了该领域的局限性和未来研究的几个有希望的方向。

    Mar, 2024

  • 多模态信息下的分子联合表示学习

    本文提出了一种新的分子联合表示学习框架，通过 SMILES 和分子图的多模态信息进行多模态融合，改进了自我注意力机制，并进一步提出了双向消息传递图神经网络来增强从图中聚合的信息流以进一步组合。我们通过公共性质预测数据集上的大量实验证明了我们的模型的有效性。

    Nov, 2022

  • 在三维空间中塑造分子：一种灵活的基于子结构的文本导向分子优化框架

    通过 3DToMolo 这一多模式引导生成 / 优化任务的文本结构对齐对称扩散框架，我们提出了一种创新方法来解决分子设计问题，取得了优于现有方法的结果表现，并能够生成包含指定目标亚结构的新型分子。

    Mar, 2024

  • MolFusion: 分子表示的多模态融合学习 -- 基于多粒度视图

    人工智能通过编码药物分子来预测药物特性，帮助快速筛选候选药物。利用不同来源的分子表示，如 SMILES 和分子图，可以提供互补信息进行分子编码。我们提出了一种多粒度融合方法 MolFusion，该方法利用分子级和原子级编码实现不同分子表示之间的相互对齐，实验结果表明 MolFusion 有效地利用了多模态的互补信息，在不同分类和回归任务中显著提高了性能。

    Jun, 2024

  • 3D-MolT5: 以 3D 分子标记建立统一的 3D 分子 - 文本模型

    我们提出了 3D-MolT5 框架，通过在特定的三维令牌词汇表上映射细粒度的三维亚结构表示，实现了一维分子序列和三维分子结构的无缝组合，在一个统一的架构中编码了分子序列、分子结构和文本序列。对于分子属性预测、分子说明和基于文本的分子生成任务，我们的 3D-MolT5 在多个下游数据集上展现出优异的性能。

    Jun, 2024

  • GIT-Mol: 分子科学的多模态大型语言模型与图形、图像和文本

    通过引入 GIT-Mol 和 GIT-Former，我们开发了一种创新的任意类型到语言的分子翻译策略，并在分子字幕生成方面实现了 10%-15% 的改进，在属性预测方面提高了 5%-10% 的准确性，并且在分子生成有效性方面提高了 20%。

    Aug, 2023

  • 面向语言模型中的三维分子 - 文本解释

    通过在语言模型中嵌入 3D 分子编码器，我们提出了 3D-MoLM：3D 分子语言建模，用于解决语言模型在理解三维分子结构方面的限制，在生物分子领域具有潜力。

    Jan, 2024

  • 一种分子多模基础模型，将分子图与自然语言相关联

    通过对分子的图形和语义相关文本数据进行对比学习，我们提出了一个分子多模态基础模型，该模型结合了图形和自然语言的特定和互补信息，更好地抓住了分子的专业知识以及具备了从自然语言描述中生成有意义的分子图形的能力。

    Sep, 2022

  • 层级文本反转下的高效分子生成

    提出了一种新的数据高效分子生成方法 —— 分层文本反转分子生成（HI-Mol），通过多级嵌入来反应分子分布的多层次特征，进而在少量训练数据的情况下生成高质量的分子。

    May, 2024