一种基于深度学习多模态融合的分子性质预测方法.pdfVIP

2025年4月南宁师范大学学报（自然科学版）Apr.2025

第42卷第2期JournalofNanningNormalUniversity（NaturalScienceEdition）Vol.42No.2

DOI：10.16601/ki.issn2096-7330.2025.02.009文章编号：2096-7330（2025）02-0062-08

一种基于深度学习多模态融合的分子性质预测方法

abbb

林艳梅，陈楠，周宏亮，彭昱忠

南宁师范大学a.环境与生命科学学院；b.计算机与信息工程学院，广西南宁530100

摘要：在药物发现与设计过程中，准确预测分子性质是1项关键挑战。近年来，基于深度学习的分子性质预测

逐渐替代传统方法，从而受到广泛关注。然而，单一模态分子表征的深度学习模型在分子性质预测中存在显著的局

限性，难以全面理解分子。因此，提出1种基于深度学习多模态融合的分子性质预测模型（ADeepLearning-based

MultimodalFusionMolecularPropertyPredictionModel，DMMPP）。DMMPP方法旨在融合多视角和多层次的分子特

征，整合了分子指纹、2D分子图和分子图像特征，以期提升分子性质预测性能。具体而言，首先，DMMPP方法利用全

连接神经网络、混合图神经网络和VGG网络分别学习分子指纹、2D分子图和分子图像等不同类型的分子表征数据的

特征；其次，通过降维和拼接操作将3种特征融合；最后，将融合的特征输入预测模块进行分子性质预测。在9个涵盖

多种分子特性的基准数据集上评估DMMPP的性能。实验结果显示，该方法在7个数据集上展现出与当前最佳方法

相媲美甚至更优的性能，特别在BACE数据集上，相较于必威体育精装版结果提高了2.8%，从而验证了其在分子性质预测中的有

效性和合理性。

关键词：药物发现；深度学习；分子表征；多模态；分子性质预测

中图分类号：TP18；R96文献标识码：A

0引言

分子性质预测在计算药物和材料发现中扮演了关键角色，因为其对分子的评估、选择和设计具有重

［1］

要的意义。传统的化学新药研发设计过程通常耗时较长，并需要大量资金投入，这给新药的研发带来

［2］

了显著的挑战。基于硅基计算的分子性质预测逐渐取代了传统的资源密集型方法，引起了广泛关注。

在计算机辅助药物发现与开发的过程中，最具挑战性的一环是在广阔的化学空间中筛选出既符合需求又

［3］

具备生物活性的化学分子，并提取有效的分子特征以准确预测其性质。这一过程不仅要求精确的分子

［4］

表征，还需要高效的方法来应对复杂的化学环境。传统的分子性质预测方法多依赖于经验模型和基于

规则的算法，在处理复杂分子数据时常存在局限性。

［5］

随着计算能力的提升和机器学习技术的进步，特别是深度学习的发展，预测模型变得愈加复杂。

深度学习模型能够通过对大规模数据集的学习，捕捉分子数据中的复杂模式，从而显著提高分子性质预

测的准确性和可靠性。这种数据驱动的方法推动了新化合物和材料的发现，显著减少了试验成本和研发

［6］

时间，推动了新药物和材料的快速发现。近年来，国内外一些研究者将深度学习方法应用于分子数据

建模。研究者们分别利用SMILES字符串、分子指纹、分子图和分子图像等多种分子表征方法，通过深度