纳米自组装预测准确率94.9%！首个公共基准NSA-Bench问世，AI模型超最强基线17个百分点！
Towards AI-Driven Nanomedicine Discovery: A Benchmark and Multimodal Learning Framework for Nano Self-Assembly Prediction
📖 AI 总结
该文章提出了一种面向纳米医学发现的AI驱动框架，旨在解决纳米自组装（NSA）预测中缺乏标准化任务和公共基准的问题。作者将NSA预测形式化为分子对二元分类任务，构建了首个公共基准NSA-Bench，包含分子组合、实验条件、自组装标签和统一评估协议。在此基础上，开发了交互感知多模态框架NSA-Net，整合图拓扑、序列语义和理化描述符来学习分子对表征。实验表明，NSA-Net在Small和Large轨道上分别达到0.9470和0.9492的ROC-AUC，超越最强机器学习和图基线3.9和17.1个百分点。表征分析揭示了与自组装预测相关的可解释分子特征，NSA-Agent案例进一步展示了预测结果如何支持实验条件感知的配方优化，为纳米药物发现提供了高效计算工具。
🔑 关键词速览
| Nano self-assembly (NSA) | 纳米自组装，指分子自发组织成纳米尺度有序结构的过程。 |
| NSA-Bench | 首个用于纳米自组装预测的公共基准数据集，包含分子组合、实验条件和标签。 |
| NSA-Net | 一种交互感知的多模态深度学习框架，用于预测分子对的自组装能力。 |
| ROC-AUC | 受试者工作特征曲线下面积，衡量二分类模型性能的指标。 |
| Multimodal learning | 多模态学习，整合多种数据源（如图、序列、物理化学特征）进行建模的方法。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅