多模态大模型变身分子嵌入神器！轻量框架MolEmb让AI秒懂化学，跨模态检索+性质预测全搞定
MolEmb: Multimodal Large Language Models Can Be Strong Molecular Embedding Models
📖 AI 总结
该论文提出MolEmb框架，探索多模态大语言模型（MLLMs）作为通用分子嵌入模型的可行性。传统分子编码器通常基于单一分子视图，生成无条件的向量表示，缺乏语言交互接口。MolEmb通过双向对比学习目标，将分子图谱与文本描述在共享嵌入空间中对齐，使模型能够根据分子特征和自然语言语义上下文生成条件化嵌入。实验表明，该模型在分子性质预测任务上表现优异，并支持跨模态的分子-文本检索。此外，论文引入MolCAR基准用于评估上下文感知检索，发现上下文感知的分子嵌入主要依赖于监督数据特性。研究结论指出，MLLMs不仅能作为化学助手或生成器，更可拓展为通用分子嵌入模型的有效路径，为计算化学和药物发现提供基础设施支持。
🔑 关键词速览
| MolEmb | 一个轻量级框架，通过双向对比学习将分子概况与文本描述对齐，使多模态大语言模型生成上下文感知的分子嵌入。 |
| MolCAR | 一个用于评估上下文感知分子检索性能的诊断基准，帮助分析嵌入模型对语义上下文的响应能力。 |
| 多模态大语言模型（MLLMs） | 能够同时处理图像、文本和符号输入的大型语言模型，此处用于生成分子嵌入。 |
| 双向对比目标 | 一种训练目标，通过最大化正样本对（如分子-文本）的相似度并最小化负样本对的相似度，实现跨模态对齐。 |
| 上下文感知嵌入 | 根据自然语言语义上下文调整的向量表示，使同一分子在不同语境下具有不同的嵌入。 |
📱 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